Download - HIAGO SOUZA DA SILVA
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
DEPARTAMENTO ACADÊMICO DE MECÂNICA
BACHARELADO EM ENGENHARIA MECÂNICA
HIAGO SOUZA DA SILVA
ANÁLISE DE INCERTEZAS EM FENÔMENOS TRANSITÓRIOS DE
HIDRÁULICA DE POÇOS UTILIZANDO O MÉTODO MONTE CARLO
TRABALHO DE CONCLUSÃO DE CURSO
(TCC 2)
CURITIBA
2019
HIAGO SOUZA DA SILVA
ANÁLISE DE INCERTEZAS EM FENÔMENOS TRANSITÓRIOS DE
HIDRÁULICA DE POÇOS UTILIZANDO O MÉTODO MONTE CARLO
Monografia do Projeto de Pesquisa apresentada à
disciplina de Trabalho de Conclusão de Curso 2 do curso
de Engenharia Mecânica da Universidade Tecnológica
Federal do Paraná, como requisito parcial para aprovação
na disciplina.
Orientador: Prof. Cezar Otaviano Ribeiro Negrão, PhD.
Coorientador: Eng. Tainan Gabardo Miranda dos
Santos, MSc.
CURITIBA
2019
TERMO DE APROVAÇÃO
Por meio deste termo, aprovamos a monografia do Projeto de Pesquisa “ANÁLISE DE
INCERTEZAS EM FENÔMENOS TRANSITÓRIOS DE HIDRÁULICA DE POÇOS
UTILIZANDO O MÉTODO MONTE CARLO”, como requisito para aprovação na disciplina
de Trabalho de Conclusão de Curso 2, do curso de Engenharia Mecânica da Universidade
Tecnológica Federal do Paraná.
Prof. Cezar Otaviano Ribeiro Negrão, PhD.
DAMEC, UTFPR
Orientador
Eng. Tainan Gabardo Miranda dos Santos, MsC.
CERNN, UTFPR
Coorientador
Profª. Dra. Ana Paula Carvalho da Silva Ferreira
DAMEC, UTFPR
Avaliadora
Eng. Dr. Gabriel Merhy de Oliveira
CERNN, UTFPR
Avaliador
O Termo de Aprovação assinado encontra-se em arquivo da coordenação
Curitiba, 29 de novembro de 2019
AGRADECIMENTOS
Agradeço primeiramente aos meus pais, Maria José e Elias, por me proporcionarem
todo o carinho, apoio a as condições para eu pudesse estar estudando, desde quando eu era
pequeno até chegar ao ensino superior. Agradeço também à toda a minha família, pelos bons
momentos compartilhados, pelos ensinamentos e pelo suporte nas dificuldades vivenciadas.
Agradeço também ao meu orientador, prof. Cezar Negrão, pela confiança depositada em
mim há três anos atrás ao aceitar-me como bolsista de iniciação científica, pelo suporte e
orientação, e por seguir acreditando em mim e em meu trabalho.
Expresso também minha gratidão ao meu coorientador Tainan Santos, pelo dedicado
acompanhamento, por estar sempre presente, pela sua paciência em explicar, ensinar, e por
estar sempre à disposição para tirar dúvidas. Sem a sua contribuição, esse trabalho não teria
chegado onde chegou.
Agradeço aos membros da banca avaliadora, profª Ana Paula Ferreira e Gabriel
Oliveira, pelas suas contribuições a esse trabalho e por ajudar-me a torna-lo melhor.
Ao CERNN, Centro de pesquisas em Reologia e Fluidos Não Newtonianos, sou grato
pela estrutura propiciada para a realização do trabalho.
Agradeço também aos colegas do CERNN, em especial ao pessoal do Laboratório de
Reologia e Reometria - LabReo, onde estive lotado: Amanda, Elis, Fernando, Flávia, Géssica,
Guilherme, Leonardo, Luan, Lucas, Luís, Nicole, Pedro Aurélio, Pedro Sinkoc e Roque, pelo
companheirismo, pelo apoio no dia-a-dia, e pelos momentos de descontração.
Finalmente, agradeço à Petrobras e à UTFPR, pelo suporte financeiro, o que me
permitiu dedicação exclusiva a esse trabalho.
It may seem perverse to use a computer,
that most precise and deterministic of all
machines conceived by the human mind, to
produce “random” numbers. More than
perverse, it may seem to be a conceptual
impossibility.
Willian H. Press
RESUMO
SILVA, Hiago Souza da. Análise de incertezas em fenômenos transitórios de
hidráulica de poços utilizando o método Monte Carlo. 105 f. Trabalho de Conclusão de
Curso – TCC2, Bacharelado em Engenharia Mecânica, Departamento Acadêmico de
Mecânica, Universidade Tecnológica Federal do Paraná. Curitiba, 2019.
Durante a perfuração de poços de petróleo, um gradiente de pressão se desenvolve ao longo
do poço. Esse gradiente precisa ser controlado cuidadosamente, uma vez que o poço somente
aceita um estreito intervalo operacional. As pressões ao longo do poço são de difícil medição,
sendo, portanto, estimadas por simulação numérica na maioria das vezes. De modo a agregar
confiabilidade ao processo, os métodos de predição devem ser os mais precisos possível.
Pode-se torna-los os mais robustos e resilientes considerando as incertezas dos parâmetros dos
modelos matemáticos. Dessa forma, o objetivo do presente trabalho é avaliar as incertezas
durante operações transientes de hidráulica de poços de petróleo por meio do Método Monte
Carlo com amostragem por hipercubo latino. Para isso, faz-se uso de implementações
computacionais de modelos numéricos e estatísticos desses fenômenos transientes. Um estudo
de caso baseado em um cenário de movimentação de coluna, com dados de um poço real, foi
desenvolvido, considerando 1% de incertezas nos diâmetros do poço e da coluna, na massa
específica do fluido de perfuração, velocidade da coluna, tensão limite de escoamento e
viscosidade plástica. Foi conduzida uma análise de sensibilidade para analisar a influência dos
parâmetros na composição da incerteza da evolução da pressão. A variável que mais
influenciou foi o diâmetro do poço, com mais de 2% de incerteza relativa. Conclui-se, que o
método é bastante eficiente na quantificação das incertezas. Ressalta-se que as incertezas
durante a etapa transiente da simulação são maiores que a do regime permanente. Assim, uma
análise de incertezas voltada para a confiabilidade deve englobar os efeitos transientes, sob
pena de não ser capaz de identificar valores críticos de incerteza.
Palavras-chave:
Fenômenos transientes; Simulação numérica; Método Monte Carlo; Hipercubo Latino;
Fluidos não-newtonianos; Hidráulica de poços.
ABSTRACT
SILVA, Hiago Souza da. Uncertainty analysis on well hydraulics transient problems
using the Monte Carlo Method. 105 p. Undergraduate Thesis, Mechanical Engineering,
Academic Department of Mechanical, Federal University of Technology. Curitiba, 2019.
During an oil well drilling, a pressure gradient develops along the well. These pressures need
to be controlled carefully, since the well only accepts a narrow pressure interval. The well
pressures are hard to measure; therefore, they are usually estimated by numerical simulation.
In order to aggregate reliability to the process, the pressure prediction methods are required to
be as precise as possible. They can be made more robust and resilient by adding uncertainty
considerations into the mathematical models. This way, the main objective of this work is to
evaluate the uncertainties in numerical simulations of well hydraulics transient operations, by
using the Monte Carlo Method along with Latin Hypercube Sampling. In order to achieve
this, it is developed numerical-statistical implementations of such transient phenomena. It was
developed a case-study, based on a drillpipe displacement, considering 1% of uncertainty in
the well and drillpipe diameters, in the drilling fluid density, drillpipe velocity, yield stress
and plastic viscosity. A sensibility analysis was conducted, in order to evaluate the influence
of the parameters in the pressure uncertainty composition. The variable with the biggest
influence was the external well diameter. In this case, it was obtained more than 2% of
relative uncertainty. As the conclusions, the method is quite efficient for the uncertainty
quantification. It is emphasized that the uncertainties in the transient step of the simulations
are bigger than the ones at steady-state. Therefore, a reliability-based uncertainty analysis
must consider the transient effects, otherwise, it will not be able to identify the critical
uncertainty values.
Keywords:
Transient phenomena; Numerical simulation; Monte Carlo Method; Latin Hypercube
Sampling; Non newtonian fluids; Well hydraulics.
LISTA DE ILUSTRAÇÕES
Figura 1.1 - Extração de petróleo na região do pré-sal .......................................................... 19
Figura 1.2 - Esquema do aparato de perfuração de poços de petróleo ................................... 20
Figura 1.3 - Janela operacional demonstrativa de pressão de poros e de fratura, em função da
profundidade da lâmina d’agua ..................................................................................... 21
Figura 2.1 - Esquematização do fenômeno de reinício de escoamento por meio das condições
iniciais (a), e após a mudança abrupta nas condições de contorno (b)............................ 25
Figura 2.2 - Esquematização do fenômeno de transmissão de pressão por meio das condições
iniciais (a), e após a mudança abrupta nas condições de contorno (b)............................ 25
Figura 2.3 - Representação do fenômeno – (a) Surge e (b) Swab .......................................... 26
Figura 2.4 - Função de distribuição de probabilidades normal padrão ................................... 33
Figura 2.5 - Função de distribuição acumulada normal padrão ............................................. 33
Figura 2.6 - Teste de normalidade de Kolmogorov-Smirnov - Comparação entre as FDA e
definição de δ ............................................................................................................... 36
Figura 2.7 - Cálculo de integral pelo método Monte Carlo ................................................... 40
Figura 2.8 - Esquema de funcionamento - Simulação Monte Carlo ....................................... 41
Figura 2.9 - Representação da amostragem aleatória, para um conjunto de cerca de 100 pontos
..................................................................................................................................... 44
Figura 2.10 - Representação da amostragem estratificada, para um modelo de duas variáveis,
e estratificação em sete faixas ....................................................................................... 45
Figura 2.11 - Exemplo de quadrado latino ............................................................................ 46
Figura 2.12 - Representação da amostragem por hipercubo latino (LHS), para um modelo de
duas variáveis, e estratificação em sete faixas ............................................................... 47
Figura 3.1 - Geometria tubo-anular empregada..................................................................... 54
Figura 3.2 - Malha utilizada pelo método das características ................................................ 58
Figura 4.1 - Esquema de implementação - Amostragem por hipercubo latino ....................... 61
Figura 4.2 - Fluxograma do funcionamento do método Monte Carlo .................................... 65
Figura 5.1 - Diferença percentual e estatística D em função do número de repetições, para a
equação da queda de pressão com amostragem aleatória ............................................... 69
Figura 5.2 - Diferenças percentuais e estatística D em função do número de repetições, para a
equação da queda de pressão com amostragem estratificada ......................................... 70
Figura 5.3 - Diferenças percentuais e estatística D em função do número de repetições, para a
equação da queda de pressão com amostragem por hipercubo latino ............................. 71
Figura 5.4 - Diferenças percentuais e estatística D em função do número de repetições, para a
equação de Colebrook com amostragem aleatória ......................................................... 73
Figura 5.5 - Diferenças percentuais e estatística D em função do número de repetições, para a
equação de Colebrook com amostragem estratificada ................................................... 74
Figura 5.6 - Diferenças percentuais e estatística D em função do número de repetições, para a
equação de Colebrook com amostragem por hipercubo latino ....................................... 75
Figura 5.7 - Diferença percentual e estatísticas D de Kolmogorov, em função do número de
faixas/repetições ........................................................................................................... 77
Figura 6.1 - Geometria empregada no estudo de caso ........................................................... 78
Figura 6.2 - Evolução temporal da pressão no fundo do poço para simulação de
movimentação de coluna desconsiderando as incertezas ............................................... 81
Figura 6.3 - Evolução temporal da pressão no fundo do poço ao longo do tempo para
simulação de movimentação de coluna, considerando incertezas em todas as variáveis. 82
Figura 6.4 - Evolução temporal da incerteza relativa da pressão no fundo do poço ao longo do
tempo para simulação de movimentação de coluna , considerando incertezas em todas as
variáveis ....................................................................................................................... 83
Figura 6.5 - Evolução temporal da incerteza relativa da variação de pressão no fundo do poço
para simulação de movimentação de coluna para os testes 1, 2, 3 e 10 .......................... 85
Figura 6.6 - Evolução temporal da incerteza relativa da variação de pressão no fundo do poço
para simulação de movimentação de coluna para os testes 2, 4, 5 e 6 ............................ 86
Figura 6.7 - Evolução temporal da incerteza relativa da variação de pressão no fundo do poço
para simulação de movimentação de coluna para os testes 3, 7, 8 e 9 ............................ 87
Figura A.1 - Variação percentual entre o valor do pico de pressão em duas malhas
consecutivas, em função do número de elementos ...................................................... 100
Figura A.2 - Pressão ao longo do tempo, para cinco malhas diferentes ............................... 101
LISTA DE TABELAS
Tabela 2.1 - Estatística D de Kolmogorov crítica em função do número de amostras ............ 37
Tabela 2.2 - Trabalhos abordando o método Monte Carlo para cálculo de incertezas. ........... 42
Tabela 2.3 - Método dos quadrados centrais ......................................................................... 50
Tabela 2.4 - Método dos quadrados centrais - Falhas ............................................................ 51
Tabela 4.1 - Emparceiramento resultante da amostragem apresentada na Figura 4.1. ............ 62
Tabela 4.2 - Constantes da aproximação da inversa da função de distribuição acumulada,
proposta por Beasley et al. (2003)................................................................................. 64
Tabela 5.1 - Valores numéricos empregados na comparação entre as amostragens, para a
equação da queda de pressão. ....................................................................................... 68
Tabela 5.2 - Número de repetições em função do número de faixas, para a amostragem
estratificada .................................................................................................................. 70
Tabela 5.3 - Valores numéricos empregados na comparação entre as amostragens, para a
equação de Colebrook .................................................................................................. 72
Tabela 5.4 - Número de repetições em função do número de faixas ...................................... 73
Tabela 6.1 - Leituras do viscosímetro FANN, conforme fornecido pala Petrobras. ............... 79
Tabela 6.2 - Relação de simulações executadas .................................................................... 84
LISTA DE ABREVIATURAS E SIGLAS
CERNN Centro de Pesquisas em Reologia e Fluidos Não Newtonianos
ENAHPE Encontro Nacional de Construção de Poços de Petróleo e Gás
ENCIT Encontro Nacional de Ciências Térmicas
FDA Função de distribuição acumulada
FDP Função de distribuição de probabilidades ou função densidade de probabilidades
FORTRAN Formula Translation
LACIT Laboratório de Ciências Térmicas
LHS Latin Hypercube Sampling (Amostragem por Hipercubo Latino)
MCM Monte Carlo Method (Método Monte Carlo)
MOC Method of Characteristics (Método das Características)
PC Polynomial Chaos (polinômios do caos)
PETROBRAS Petroleo Brasileiro S. A.
RGN Random Number Generator (Gerador de Números Aleatórios)
UTFPR Universidade Tecnológica Federal do Paraná
V.A. Variável Aleatória
WPS Well Pressure Simulation (Simulador de Pressão em Poços)
LISTA DE SÍMBOLOS
Símbolos Romanos
0 1 2 3, , ,a a a a Constantes da aproximação de Beasley et. al. (2003)
0 1 2 3, , ,b b b b Constantes da aproximação de Beasley et. al. (2003)
,Biz t Número de Bingham
,C C+ − Linhas características
0 1 8, ,...,c c c Constantes da aproximação de Beasley et. al. (2003)
c Velocidade de propagação da onda na tubulação
d Diâmetro interno da coluna
D Diâmetro
críticoD Valor crítico da estatística D de Kolmogorov-Smirnov
eD Diâmetro externo do anular
hD Diâmetro hidráulico
iD Diâmetro interno do anular
KSD Estatística D de Kolmogorov-Smirnov
e Rugosidade relativa
( )E X Valor esperado; média
f Fator de atrito
( )f x Função de distribuição de probabilidades
( )F x Função de distribuição acumulada
( )1F X− Inversa da Função de distribuição acumulada
K Fator de arrasto
TL Comprimento da geometria
N Quantidade numérica
( )N Referente à distribuição normal
NZ Número de divisões da malha axial
an Número de elementos da distribuição a ser avaliada
P Pressão
atmP Pressão atmosférica
entradaP Pressão na entrada da tubulação
0P Imposição de pressão
Q Vazão
entradaQ Vazão na entrada da tubulação
0Q Imposição de vazão
,Rez t Número de Reynolds local
T Temperatura
V Velocidade do fluido
efV Velocidade efetiva
PV Velocidade da coluna de perfuração
( )U Referente à distribuição uniforme
t Tempo
0t Instante de tempo em que é aplicada a mudança na condição de contorno
( )Var X Variância
X Variável aleatória
1x Valor mínimo da distribuição uniforme
2x Valor máximo da distribuição uniforme
z Posição axial
Símbolos gregos
Compressibilidade
Incerteza
t Passo de tempo
z Tamanho do elemento da malha axial
Máxima discrepância entre a FDA da distribuição e a FDA teórica
Razão de diâmetros
Massa específica
Taxa de cisalhamento
Média
N Viscosidade
P Viscosidade plástica
Desvio padrão
Tensão de cisalhamento
w Tensão de cisalhamento na parede da geometria
0 Tensão limite de escoamento
Condutância do fluido de Bingham
Fator de forma
SUMÁRIO
1 Introdução 18
1.1 Contextualização 18
1.2 Perfuração de poços 18
1.3 Caracterização do Problema 19
1.4 Objetivos 22
1.5 Estrutura do Trabalho 22
2 Fundamentação Teórica e Revisão Bibliográfica 24
2.1 Modelagem de Fenômenos Transitórios 24
2.2 Trabalhos relacionados à modelagem de fenômenos transientes desenvolvidos na UTFPR 27
2.3 Definições - Estatística 29
2.3.1 Variável aleatória 29
2.3.2 Distribuições de probabilidade 30
2.3.3 Momentos de uma variável aleatória 34
2.3.4 Teste de normalidade 35
2.4 Análise e quantificação de incertezas 37
2.5 Método Monte Carlo (MCM) 39
2.6 Amostragem 43
2.7 Geração de Números Aleatórios 48
2.8 Síntese do Capítulo 52
2.8.1 Objetivos específicos 52
3 Modelagem Matemática 53
3.1 Considerações iniciais do problema e hipóteses simplificadoras 53
3.2 Equações Governantes 55
3.3 Metodologia de Solução 57
3.4 Condições de contorno e iniciais 58
3.5 Síntese do capítulo 58
4 Simulação Estatística 60
4.1 Considerações iniciais 60
4.2 Amostragem das Variáveis Aleatórias 60
4.3 Simulação Monte Carlo 65
4.4 Síntese do Capítulo 66
5 Testes de Verificação 67
5.1 Comparação entre as amostragens 67
5.1.1 Queda de pressão em uma tubulação 68
5.1.2 Equação de Colebrook 72
5.2 Teste de malha 76
5.3 Teste de convergência 76
5.4 Síntese do capítulo 77
6 Resultados 78
6.1 Descrição do estudo de caso 78
6.1.1 Geometria do problema 78
6.1.2 Fluido de perfuração 79
6.1.3 Condições de operação 79
6.1.4 Variáveis que possuem incertezas 80
6.2 Avaliação da variação de pressão 80
6.2.1 Simulação sem avaliação de incertezas 81
6.2.2 Simulação com avaliação de incertezas 82
6.2.3 Análise de sensibilidade 84
6.3 Síntese do Capítulo 88
7 Considerações Finais 90
7.1 Conclusões 90
7.2 Sugestões para trabalhos futuros 91
Referências 92
Apendice A – Testes de malha 100
Apêndice B – Artigos Desenvolvidos 102
Capítulo 1- Introdução 18
1 INTRODUÇÃO
1.1 Contextualização
O petróleo é um recurso natural não renovável, de origem fóssil, e de alto teor
energético, principalmente empregado na produção de combustíveis e na geração de energia,
plásticos e demais derivados (Morais, 2013). Em estado líquido, é inflamável, menos denso
que a água, com odor característico e cor variando entre o preto e o castanho-claro. É
constituído basicamente por compostos químicos orgânicos, em sua maioria hidrocarbonetos
(Thomas et al., 2001).
Apesar da atual disponibilidade de outras fontes de energia renováveis, o petróleo ainda
deve ser responsável por uma fatia significativa da matriz energética mundial pelas próximas
décadas. Dada a inerente escassez de petróleo, vem se tornando mais raro encontrar reservas
de fácil acesso no continente. Assim, um novo patamar de esforços na busca e exploração
desse recurso se faz necessário. A perfuração de poços submarina é uma forma de superar este
inconveniente (PETROBRAS, 2014).
Ao mesmo tempo, evidenciam-se desafios tecnológicos na extração e transporte do
óleo, como exemplificados na Figura 1.1. A perfuração abaixo de lâminas d’água de 2000 m e
camadas de sal de mais de 3000 m, condição existente no pré-sal brasileiro, impõem
dificuldades no processo de perfuração (PETROBRAS, 2018). Estas dificuldades se devem às
altas pressões no fundo do poço, aos vários tipos de rocha presentes ao longo da perfuração e
aos diferentes tipos de fluidos de perfuração necessários em cada etapa, refletindo-se em
elevados custos do processo de perfuração (Thomas et al., 2001).
Equation Chapter 1 Section 1
1.2 Perfuração de poços
A perfuração do poço se dá pelo movimento de rotação e pela aplicação de força sobre
uma broca, conectada à extremidade de uma coluna de perfuração. Ao mesmo tempo em que
se perfura, é injetado um fluido de perfuração no poço. Esse fluido tem por finalidade carregar
os cascalhos gerados na perfuração para fora do poço, refrigerar e lubrificar a broca e evitar
que os cascalhos decantem e se acumulem sobre a broca durante paradas de circulação de
fluido (Thomas et al., 2001).
Capítulo 1- Introdução 19
Figura 1.1 - Extração de petróleo na região do pré-sal
Fonte: Adaptado de Oliveira (2009)
O processo de perfuração é ilustrado na Figura 1.2. O fluido é inicialmente pressurizado
pela bomba (A) para dentro da coluna de perfuração (B), percorrendo toda a extensão da
coluna e deixando-a através de orifícios presentes na broca (C). O retorno do fluido ocorre
pelo espaço anular (D) entre a parede do poço e a coluna. O movimento de rotação da broca,
aliado à força axial exercida pela coluna, promove a perfuração do poço (E), gerando
fragmentos de rocha. Estes fragmentos são removidos pelo escoamento do fluido de
perfuração. Após chegar à superfície, o fluido é conduzido até as peneiras (F), nas quais é
realizada a separação dos cascalhos. Ao final, o fluido é recolhido ao tanque (G). Caso
necessário, as propriedades do fluido são corrigidas para que possa ser reutilizado (Thomas et
al., 2001).
1.3 Caracterização do Problema
Além das já mencionadas, outra função do fluido de perfuração é o controle das
pressões ao longo do poço e a sustentação do peso da coluna por meio do empuxo (Santos,
2006). O intervalo de pressões de trabalho aceitáveis dentro do poço depende da profundidade
e é normalmente apresentado através de um diagrama chamado janela operacional, como
Capítulo 1- Introdução 20
ilustrado na Figura 1.3. A pressão inferior é denominada pressão de poros, enquanto que a
superior é chamada de pressão de fratura.
Figura 1.2 - Esquema do aparato de perfuração de poços de petróleo
Fonte: Adaptado de Schlumberger (2007).
Durante a perfuração, as pressões devem se manter dentro do estabelecido na janela
operacional, sob o risco de severas consequências. Pressões demasiadamente altas (acima da
pressão de fratura) podem danificar as paredes do poço, causando fraturas e perda de fluido de
perfuração para a formação rochosa. Caso as pressões estejam abaixo da pressão de poros,
que é a pressão do fluido contido nos poros da formação, pode ocorrer a entrada do fluido da
formação para o poço, causando o fenômeno conhecido como kick. Em casos extremos de
kick, pode ocorrer um blowout, isto é, um fluxo descontrolado de fluidos da formação em
direção à superfície (Santos, 2006).
De modo a manter a pressão do poço dentro do estabelecido pela janela operacional, são
realizados: o ajuste da massa específica do fluido e o controle da vazão e da pressão de
bombeio (Santos, 2006). Apesar da vazão e pressão de bombeio serem relativamente simples
de controlar, as pressões ao longo do poço são difíceis de serem medidas, uma vez que é
Capítulo 1- Introdução 21
bastante limitada a instalação de transdutores ou outros sensores no poço. Assim, a obtenção
das pressões em tempo real visando o controle é dificultada. Essas pressões são normalmente
obtidas por estimativas ou calculadas via simulação numérica.
Figura 1.3 - Janela operacional demonstrativa de pressão de poros e de fratura, em função da
profundidade da lâmina d’agua
Fonte: Adaptado de Santos (2006).
Devido a intervenções e demais operações no poço, a distribuição de pressões possui
um caráter transiente, isto é, varia em magnitude ao longo do tempo. Esse fator agrega maior
complexidade aos modelos computacionais de cálculo das pressões. Tendo em vista a
responsabilidade com a integridade do poço, a segurança requerida ao processo e as estreitas
tolerâncias impostas pela janela operacional, os métodos de predição e estimativa das pressões
do poço devem ser criteriosos, robustos e precisos, de modo a assegurar confiabilidade ao
processo.
Uma forma de dar robustez aos modelos computacionais de avaliação das pressões é
considerar as incertezas inerentes no processo. Dessa forma, o cálculo da distribuição de
pressões será realizado de forma a considerar uma margem de incerteza no resultado final.
Capítulo 1- Introdução 22
Essa incerteza informará o grau de exatidão desse resultado, assegurando mais confiança nos
processos de tomada de decisão e segurança como um todo.
1.4 Objetivos
O objetivo do presente trabalho é avaliar incertezas na previsão de pressões em
operações transientes de hidráulica de poços de petróleo, as quais serão calculadas por meio
de simulação numérica-estatística. Para isso, será implementado o método Monte Carlo,
acoplado a um modelo numérico transiente desenvolvido pelo Centro de Pesquisas em
Reologia e Fluidos Não Newtonianos – CERNN-UTFPR. Esse modelo considera o
escoamento como transiente, unidimensional e fracamente compressível. As incertezas de
medição serão consideradas nas propriedades do fluido, tais como viscosidade plástica, massa
específica e tensão limite de escoamento, além de aspectos operacionais, como velocidade de
deslocamento da coluna de perfuração e geometria do poço. As influências individuais das
incertezas nessas variáveis serão analisadas em estudo de caso para o problema transiente de
movimentação de coluna.
1.5 Estrutura do Trabalho
O presente trabalho se divide em sete capítulos. No primeiro capítulo, é apresentada a
introdução, referente ao contexto de perfuração de poços de petróleo e os objetivos do
trabalho.
Uma revisão da bibliografia e fundamentação teórica são discutidas no segundo
capítulo, contendo conceitos e definições empregadas no trabalho, além de um apanhado geral
de trabalhos acerca do tema de cálculo de incerteza por métodos estatísticos e os objetivos
específicos.
A modelagem matemática é explanada no terceiro capítulo. São apresentadas as
equações governantes dos fenômenos envolvidos, além das simplificações e geometrias
empregadas.
No quarto capítulo, discorre-se sobre a modelagem estatística do problema, por meio
dos métodos empregados e das hipóteses exercidas.
Capítulo 1- Introdução 23
São apresentados no quinto capítulo os testes de verificação. Trata-se de teste que visam
avaliar os componentes da simulação: as amostragens disponíveis, os testes de malha e
convergência.
Os resultados obtidos com a modelagem proposta são o tema do sexto capítulo. É
apresentado o estudo de caso desenvolvido, além dos resultados da pressão ao longo do tempo
com e sem incertezas, além das análises de sensibilidade.
Conclusões são discutidas no sétimo capítulo, recapitulando os temas mais importantes
apresentados, os caminhos tomados ao longo do trabalho e os conhecimentos adquiridos por
meio de sua realização.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 24
2 FUNDAMENTAÇÃO TEÓRICA E REVISÃO BIBLIOGRÁFICA
EQUATION SECTION (NEXT)
Na presente seção serão abordados os principais conceitos e definições relacionados ao
presente trabalho. Os temas tratados são: modelagem de fenômenos transitórios, estatística,
quantificação de incertezas, amostragem voltada à simulação estatística, geradores de
números aleatórios e o método Monte Carlo. Também são realizados levantamentos
bibliográficos que embasam estes temas. Ao final, é realizada uma síntese do capítulo,
identificando as lacunas da literatura e definindo os objetivos específicos.
2.1 Modelagem de Fenômenos Transitórios
O principal objeto de estudo do presente trabalho é o movimento/escoamento do fluido
de perfuração em poços de petróleo. Este problema é classificado como transiente, uma vez
que variáveis como pressão, velocidade e vazão mudam com o tempo (Oliveira, 2011). A
depender das condições de contorno e geometria adotadas, o fenômeno transiente pode ser
classificado de diversas formas, entre as quais pode-se citar:
a) Reinício de escoamento (Ahmadpour e Sadeghy, 2014; Chang, Nguyen e
Rønningsen, 1999; Davidson et al., 2004; Oliveira et al., 2010; Sestak et al.,
1987; Vinay, Wachs e Agassant, 2006; Wachs, Vinay e Frigaard, 2009) – A
Figura 2.1 ilustra o problema de reinício de escoamento. Em um tubo, o fluido
encontra-se inicialmente em repouso (a). A partir de um determinado instante de
tempo (b), é imposta uma pressão ou uma vazão em uma das extremidades da
tubulação enquanto a outra extremidade permanece aberta para a atmosfera.
Assim promove-se o reinício de escoamento do material outrora inerte. Sob o
ponto de vista da perfuração de poços, o reinício de escoamento se faz presente
em ocasiões de parada de processo, nas quais ocorre a interrupção do
movimento do fluido de perfuração. Na retomada do processo, é necessário
restituir o escoamento do fluido, restabelecendo a pressurização do sistema;
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 25
Figura 2.1 - Esquematização do fenômeno de reinício de escoamento por meio das condições iniciais (a), e
após a mudança abrupta nas condições de contorno (b)1
b) Transmissão de pressão (Mitishita et al., 2018; Oliveira et al., 2013; Oliveira,
Negrão e Franco, 2012): A Figura 2.2 ilustra o problema de transmissão de
pressão. O fluido inicialmente encontra-se em repouso em uma tubulação (a).
Em um determinado instante de tempo (b), é imposta uma pressão ou vazão em
uma extremidade, enquanto a outra permanece fechada. A partir desse momento,
a pressão se propagará ao longo da tubulação. Para fluidos newtonianos e
viscoplásticos, como os fluidos de perfuração, a pressão nem sempre é
transmitida integralmente, tampouco instantaneamente. O problema da
transmissão de pressão é vivenciado na perfuração de poços durante a atuação
hidráulica de válvulas do equipamento de perfuração. Algumas válvulas são
acionadas se uma determinada pressão mínima no sistema é atingida. Se a
pressão previamente imposta não é totalmente transmitida, podem haver
problemas no funcionamento dessas válvulas;
Figura 2.2 - Esquematização do fenômeno de transmissão de pressão por meio das condições iniciais (a), e
após a mudança abrupta nas condições de contorno (b)
c) Surge/Swab (Clark e Fontenot, 1974; Lin e Hsu, 1980; Tang et al., 2016; Yang e
Chukwu, 1995) – A geometria envolvida é composta por dois tubos
1 Figuras e tabelas sem indicação de fonte são de autoria própria
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 26
concêntricos, o externo representando a parede do poço e o interno, a coluna de
perfuração. Havendo movimento axial relativo entre as duas partes, haverá
variações de pressão ao longo das geometrias (tubo e anular). Na prática, este
fenômeno é definido pela condição de velocidade relativa entre a coluna de
perfuração e a parede do poço, promovida pelo movimento de descida ou subida
do equipamento de perfuração. A Figura 2.3 ilustra o fenômeno: o escoamento
inicia-se na parte superior da coluna, passa para o anular a partir de um
acoplamento no fundo do poço e deixa o sistema pela extremidade superior do
anular. Em alguns casos, as extremidades da coluna podem estar fechadas,
mantendo o fluido confinado nessa parte da geometria. Em t = 0 (a), o fluido
está parado, assim como a coluna de perfuração. Em um determinado instante de
tempo t = t0 (b), o fluido é colocado em movimento, ao mesmo tempo em que a
coluna passa a ter velocidade não nula. Quando ocorre a manobra de descida da
coluna, dá-se o nome surge (c). Nesse caso, o avanço da coluna comprime o
fluido, aumentando as pressões do fundo do poço; quando a coluna sobe, dá-se o
nome swab (d). O recuo da coluna libera espaço no fundo do poço e,
consequentemente, uma redução da pressão nessa região;
Figura 2.3 - Representação do fenômeno – (a) Surge e (b) Swab
Fonte: Adaptado de (Drilling Course 2016).
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 27
A modelagem matemática de fenômenos hidráulicos transientes em poços de petróleo é
estudada na UTFPR há cerca de 13 anos. Inicialmente, pelo Laboratório de Ciências Térmicas
(LACIT), e mais recentemente, pelo Centro de Pesquisas em Reologia e Fluidos Não
Newtonianos (CERNN), esses trabalhos já renderam diversas publicações em periódicos de
alto impacto. A seguir, serão destacados dez trabalhos, dentre os mais relevantes acerca dessa
temática.
2.2 Trabalhos relacionados à modelagem de fenômenos transientes desenvolvidos na
UTFPR
O primeiro modelo, desenvolvido por Oliveira et al. (2007), trata do deslocamento de
um fluido gelificado utilizando um não gelificado, em uma geometria tubo-anular. Os dois
fluidos são considerados como incompressíveis, modelados como plástico de Bingham, e o
escoamento é unidimensional. A partir desse modelo, monitora-se o deslocamento da
interface ao longo do tempo, além da pressão e da vazão em um determinado ponto.
O segundo modelo, desenvolvido por Rocha (2007), trabalha com o reinício de
escoamento de fluidos de perfuração. O escoamento é tratado como unidimensional,
compressível e transitório. O fluido é modelado como um plástico de Bingham. De modo a
simplificar a solução numérica, são desprezados os termos não lineares das equações de
conservação da massa e quantidade de movimento. Nesse modelo, os fluidos gelificado e não
gelificado são iguais, não sendo possível acompanhar a interface.
Oliveira et al. (2010) desenvolveram o terceiro modelo do grupo de pesquisas. Esse
modelo é similar ao anterior, com a vantagem de considerar os termos desprezados por Rocha
(2007). A geometria considerada é um espaço anular (que pode ser convertido em um tubo
fazendo o raio interno igual a zero), levando em conta também os efeitos gravitacionais.
Ressalta-se também nesse modelo o emprego de um fluido com tensão limite de escoamento
variável no tempo.
O quarto modelo, desenvolvido por Negrão et al. (2011), é uma evolução do modelo
anterior, onde o fluido é tratado como tixotrópico, que engloba efeitos elásticos na quebra da
estrutura gelificada. Em relação aos outros, esse modelo é bastante mais dispendioso
computacionalmente, requerendo malhas espaciais e temporais refinadas.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 28
O trabalho de Oliveira (2011) foi o quinto desenvolvido no grupo. Dois diferenciais
podem ser identificados nesse trabalho: o primeiro foi considerar a geometria como um
conjunto coluna-anular; geometria essa bastante representativa do processo de perfuração de
poços. O segundo diferencial foi a aplicação do método das características (Wylie, Streeter e
Suo, 1993). Nos modelos anteriormente mencionados, a solução numérica é conduzida
através de esquemas de discretização similares ao do método dos volumes finitos. Mesmo
para os modelos unidimensionais, os processos iterativos envolvidos são lentos, por necessitar
de malhas muito refinadas para atender critérios de estabilidade. Assim, de modo a diminuir
os tempos computacionais envolvidos, foi empregado o método das características, que
transforma as equações diferenciais parciais em equações diferenciais ordinárias equivalentes.
Desse modo, passa a ser possível utilizar malhas menos refinadas. O método será melhor
detalhado na seção 3.3.
O sexto modelo foi proposto por Oliveira et. al. (Oliveira, Negrão e Franco, 2012). O
problema analisado foi a transmissão de pressão em fluidos de Bingham. A geometria
considerada foi uma tubulação com a saída fechada. Assim como no modelo anterior, foi
empregado o método das características. O escoamento foi considerado como unidimensional,
isotérmico, laminar e fracamente compressível.
Também analisando o problema da transmissão de pressão, foi proposto o sétimo
modelo por Oliveira et al. (2013). Os diferenciais em relação aos trabalhos anteriores foram o
tratamento dos efeitos viscosos do fluido por meio do fator de atrito e a flexibilidade de
considerar o fluido como newtoniano ou como um plástico de Bingham. As hipóteses
consideradas são: escoamento unidimensional, isotérmico e fracamente compressível. Os
resultados obtidos foram comparados com dados experimentais, referentes ao escoamento de
água e de dois fluidos de perfuração, sendo o modelo bem-sucedido em representar o
fenômeno físico.
Passando para o problema de reinício de escoamento, Oliveira e Negrão (2015)
desenvolveram o oitavo modelo. A estratégia de resolução computacional pelo método das
características foi mantida, assim como as hipóteses: escoamento unidimensional, laminar e
compressível. O diferencial desse trabalho foi a avaliação da tensão de cisalhamento no
fluido, cuja variação foi tomada como linear, de modo a possibilitar a interação da equação
constitutiva ao longo da cota radial. Foram investigadas duas condições de contorno: pressão
constante na entrada e vazão constante na entrada.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 29
O trabalho de Santos (2015), o nono modelo desenvolvido, explora uma lacuna
adicional: a análise bidimensional do problema, considerando o escoamento dependente das
cotas axial e radial. O fluido foi considerado como sendo não dependente do tempo, num
primeiro momento, para depois ser considerado como tixotrópico. Os resultados desse modelo
foram confrontados com dados experimentais, apresentando boa concordância.
O décimo trabalho, desenvolvido por Oliveira et. al. (Oliveira, Franco e Negrão, 2015),
estuda um outro problema transiente: o golpe de aríete, caracterizado pelo fechamento abrupto
de válvulas em tubulações, interrompendo o escoamento e acarretando em aumento na
pressão. As hipóteses foram as mesmas do oitavo trabalho, mantendo-se também o método
das características para auxiliar na resolução das equações.
2.3 Definições - Estatística
Para um melhor entendimento dos conceitos e terminologias da estatística empregados
no presente trabalho, faz-se necessário uma breve fundamentação e revisão, abrangendo os
seguintes temas: variáveis aleatórias, distribuições de probabilidade e momentos de uma
variável aleatória.
2.3.1 Variável aleatória
Em contraposição à variável determinística2, a qual é associada (i.e. recebe) um valor
único quando uma determinada equação é resolvida, a variável aleatória (V.A.) recebe um
valor definido ao acaso cada vez que um modelo (que a contém) é resolvido (Triola, 2017).
Em termos mais formais, define-se uma variável aleatória como uma função que mapeia todos
os eventos de um determinado espaço amostral, associando cada um deles a um número real
(Barbetta, Reis e Bornia, 2004). No sentido teórico, não há modelo matemático determinístico
capaz de inferir com exatidão o valor a ser recebido por essa variável; caso houvesse, essa
seria determinística, definida em termos de uma função.
Para contextualizar os conceitos de variável aleatória, pode-se utilizar como exemplo o
lançamento de um dado. Considera-se que a face que apontará para cima (isto é, a leitura do
dado) é definida de forma aleatória. Isso é razoável, uma vez que é bastante complexo
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 30
modelar a dinâmica de movimentação do dado em seis graus de liberdade, que o levará a cair
em uma superfície, em determinada posição. Toma-se também, por premissa, que o dado é
honesto, isto é, todas as faces têm a mesma probabilidade de ocorrer. Assim, o lançamento e
leitura do dado caracterizam-se como uma variável aleatória. Essa variável é discreta, tendo
como seu espaço amostral o conjunto de possíveis resultados 1,2,3,4,5,6 = .
Dá-se o nome realização ao ato de obter aleatoriamente um valor numérico da variável
aleatória. A realização possui o sentido de uma observação do fenômeno físico modelado
(Castañeda, Arunachalam e Dharmaraja, 2012). No exemplo do lançamento de um dado, a
realização se dá ao ler o número presente na face superior após o dado ser lançado.
Apesar dos valores retornados por uma variável aleatória serem dependentes do acaso,
estes seguem certos padrões de ocorrência, modelados pelas funções de distribuição de
probabilidade, discutidas mais adiante. Uma variável aleatória é definida em termos de uma
distribuição de probabilidade, que por sua vez é definida por parâmetros diversos, tais como:
média, variância, tamanho de amostra, graus de liberdade, entre outros (Triola, 2017).
2.3.2 Distribuições de probabilidade
De modo a descrever a aleatoriedade de uma variável aleatória, identificando intervalos
do domínio com maiores ou menores chances de ocorrência, surge a ideia de função de
distribuição de probabilidade (FDP). Trata-se de modelos matemáticos que relacionam os
valores que podem ser retornados pela variável aleatória com sua respectiva probabilidade de
ocorrência (Triola, 2017).
As funções de distribuição de probabilidade podem ser discretas ou contínuas. São
discretas nos casos em que os valores do domínio da variável aleatória são finitos e bem
definidos (Bussab e Morettin, 2010). Como exemplo, têm-se o lançamento de um ou mais
dados ou moedas. Para cada caso possível, é estabelecida uma probabilidade específica.
Distribuições contínuas são empregadas nos casos em que a variável pode receber incontáveis
valores, contidos em um intervalo. Ao contrário da distribuição discreta, o domínio da
variável contínua possui infinitos elementos. Por consequência, a probabilidade de a variável
retornar um valor em específico tende a zero. Assim, somente faz sentido falar da
2 Um fenômeno é dito determinístico quando pode ser descrito por uma função contínua (Triola, 2017).
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 31
probabilidade da variável aleatória retornar um valor dentro de um intervalo (Bertsekas e
Tsitsiklis, 2000).
De forma similar à função de distribuição de probabilidades, define-se a função de
distribuição acumulada (FDA). A FDA informa a probabilidade de uma variável aleatória X
retornar um valor igual ou menor que um certo valor x , pertencente ao domínio de X
(Rubinstein, 1981). É definida como:
( ) ( )x
F x f x dx−
= (2.1)
sendo ( )f x a função de distribuição de probabilidades e ( )F x a função de distribuição
acumulada.
Existem inúmeras distribuições de probabilidade, discretas e contínuas, aplicáveis aos
mais diversos problemas. Para esse trabalho, serão empregadas as distribuições uniforme
contínua e normal.
Distribuição Uniforme
A distribuição uniforme é empregada em variáveis cujos valores são todos
equiprováveis, isto é, têm a mesma chance de ocorrência. É definida em termos de dois
parâmetros, 1x e 2x , que são os valores mínimo e máximo que podem ser retornados,
respectivamente (James, 2004). A função de distribuição de probabilidades é mostrada na
equação (2.2), enquanto a sua FDA é apresentada na equação (2.3).
( )1 2
2 1
1,
0, casocontrário
x x xx xf x
−=
(2.2)
( )
1
11 2
2 1
2
0,
,
1,
se x x
x xF x se x x x
x x
se x x
−=
−
(2.3)
Quando os valores de 1x e 2x são respectivamente 0 e 1, tem-se um caso especial da
distribuição uniforme, chamada de distribuição uniforme padrão, cuja função é dada pela
equação (2.4). Essa distribuição é importante no âmbito da simulação numérico-estatística,
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 32
uma vez que ela é utilizada para gerar outros tipos de distribuições, a partir de operações
matemáticas simples.
( )1, 0 1
0, casocontrário
xf x
=
(2.4)
Distribuição Normal
Uma das distribuições de probabilidade com mais aplicações na estatística é a
distribuição de Gauss-Moivre-Laplace, mais conhecida como distribuição normal (Schutz,
2012). Essa distribuição é a que melhor representa muitos fenômenos da natureza. Além
disso, tem aplicação direta na descrição de erros em experimentos e na estatística inferencial,
por meio dos testes de hipóteses (Schutz, 2012). A função de distribuição de probabilidades é
apresentada na equação (2.5). Identifica-se nessa equação que a distribuição normal depende
somente de dois parâmetros: a média e a variância 2 (ou de forma equivalente, o desvio
padrão ).
( )( )
2
22
1exp
22
xf x
−= −
(2.5)
Se 0 = e 1 = , tem-se um caso particular da distribuição normal, a chamada
distribuição normal padrão (James, 2004). A função de distribuição normal padrão é
representada pela equação (2.6), e o gráfico é apresentado na Figura 2.4.
( )21
exp22
xf x
= −
(2.6)
Nota-se que o ponto mais alto da curva na Figura 2.4, isto é, o valor de maior
probabilidade de ocorrência é a própria média . Conforme afasta-se da média, as
probabilidades de ocorrência tendem assintoticamente a zero. É interessante apontar que os
pontos de inflexão da curva (isto é, os pontos onde a segunda derivada da função troca de
sinal) encontram-se em 1x = e 1x = − , ou seja, em .
As equações (2.7) e (2.8) trazem as funções de distribuição acumulada para as
distribuições normal e normal padrão, respectivamente.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 33
Figura 2.4 - Função de distribuição de probabilidades normal padrão
( )2
20
1 21 exp
2 2
x yF x dy
− = − −
(2.7)
( )21
exp22
x yF x dy
−
= −
(2.8)
sendo y a variável de integração. A Figura 2.5 apresenta a curva de ( )F x para o caso da
distribuição normal padrão.
Figura 2.5 - Função de distribuição acumulada normal padrão
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 34
2.3.3 Momentos de uma variável aleatória
Uma das formas de se caracterizar uma variável aleatória e sua distribuição de
probabilidade é por meio dos momentos (Castañeda, Arunachalam e Dharmaraja, 2012).
Existem quatro momentos com significado físico e/ou geométrico. Na presente seção serão
apresentados os dois primeiros.
O primeiro momento é a média, também chamado de valor esperado, ou de esperança,
denotado por ou ( )E X . A média representa o valor mais provável de ser retornado pela
variável aleatória. Utilizando-se de uma analogia mecânica, a média é representada pelo
centro de gravidade do gráfico da função distribuição de probabilidade, na coordenada das
abscissas (Barbetta, Reis e Bornia, 2004). Para variáveis contínuas, utiliza-se a equação (2.9).
( ) ( )E X x f x dx
−
= = (2.9)
Para variáveis discretas, emprega-se a equação (2.10).
1
n
i i
i
p x=
= (2.10)
sendo ( )f x a função distribuição de probabilidade, X a variável aleatória, n o número de
elementos do espaço amostral de X e ip a probabilidade de ocorrência do evento ix .
O segundo momento é a variância, que representa a dispersão e o espalhamento dos
valores ao redor da média. Pela analogia mecânica, a variância é equivalente ao momento de
inércia, também na direção das abscissas. A unidade da variância é o quadrado da unidade da
variável aleatória. Assim, o desvio padrão, sendo a raiz quadrada da variância, possui sentido
físico perante a variável aleatória, possuindo as mesmas unidades desta (Barbetta, Reis e
Bornia, 2004). Por definição, a variância é sempre um valor positivo. É definida pela equação
(2.11) para variáveis aleatórias contínuas e pela equação (2.12) para variáveis discretas.
( ) ( ) ( ) ( ) ( ) ( )2
1
22 22 2
x
x
Var X E X E X E X x f x dx = = − = − = − (2.11)
( )
2
2 2 2
1 1 1
n n n
i i i i i i
i i i
Var X p x p x p x = = =
= − = − (2.12)
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 35
sendo , o desvio padrão.
2.3.4 Teste de normalidade
Conforme exposto na seção anterior, a distribuição normal é de grande interesse nos
campos da engenharia e ciências. Em geral, quanto melhor o ajuste de uma distribuição de
dados em uma curva normal, maior é a qualidade do experimento e/ou do método de obtenção
que gerou esses dados. Em muitas situações, a presença de distribuições diferentes da normal
pode indicar falhas metodológicas ou problemas no experimento, como dados misturados,
equipamento com mal funcionamento ou mudanças em quaisquer condições controladas
(Oakland, 2003).
Assim sendo, ao obter-se uma distribuição de dados, as perguntas a se fazer são: o
conjunto de dados segue uma distribuição normal? É necessário (ou possível ou viável) obter
mais amostras para verificar se a distribuição tende a uma normal? Ferramentas estatísticas
podem ser empregadas para ajudar a responder estas perguntas. Uma das ferramentas mais
empregadas para esse fim é o teste de normalidade (Press et al., 1992).
Em termos estatísticos, o teste de normalidade é um teste de hipóteses que visa aceitar
ou rejeitar a hipótese de não-normalidade de uma distribuição de dados, sob um determinado
nível de confiança. Ao aceitar a hipótese, é garantido (com o nível de confiança dado) que os
dados não podem ser adequadamente ajustados a uma curva normal; ao rejeitar a hipótese,
significa que nada pode ser afirmado acerca da normalidade dos dados, teoricamente.
Isso ocorre porque o teste trata a origem dos dados como sendo uma variável aleatória
desconhecida; o teste somente lida com as realizações da variável (os dados), se resguardando
de inferir acerca de da variável aleatória desconhecida, que ao ser realizada mais vezes,
poderia alterar a natureza da distribuição anteriormente avaliada (Press et al., 1992).
No entanto, para os fins do presente trabalho, a rejeição da hipótese pode ser
interpretada como a condição de normalidade de facto, uma vez que não é o objetivo avaliar
uma variável aleatória, mas sim, o conjunto fixo de dados.
Dentre os testes de normalidade existentes na literatura, foi utilizado o teste de
Kolmogorov-Smirnov (Kolmogorov, 1933), devido à sua capacidade de avaliar distribuições
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 36
com número de amostras relativamente pequeno (i.e., entre cinco e 20 amostras), assim como
números elevados de amostras (Triola, 2017). O teste consiste em comparar a FDA da
distribuição à qual se quer aplicar o teste com a FDA da distribuição teórica para a média e o
desvio do mesmo conjunto de dados. A partir dessa comparação, obtém-se a estatística KSD .
Conforme ilustrado pela Figura 2.6, o teste visa identificar a maior discrepância entre
as duas curvas, a qual será utilizada para o cálculo da estatística KSD . O valor de KSD é
calculado pela equação (2.13). A partir desse valor, pode-se determinar a normalidade ou não
do conjunto de dados ao compará-lo com um valor crítico. Se KS críticoD D , então a amostra
não pode ser ajustada a uma normal. Caso contrário, pode-se assumir a normalidade do
conjunto.
( )
2
1 2 2
1
0.111 2 1 exp 2 0.12
i
KS a
i a
D i nn
−
=
= − − − + +
(2.13)
sendo an o número de amostras no conjunto avaliado.
Figura 2.6 - Teste de normalidade de Kolmogorov-Smirnov - Comparação entre as FDA e definição de δ
A Tabela 2.1 traz os valores de críticoD em função do número de amostras do conjunto de
dados.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 37
Tabela 2.1 - Estatística D de Kolmogorov crítica em função do número de amostras
Número de amostras críticoD
5 0,67
10 0,49
15 0,40
20 0,36
25 0,32
30 0,29
35 0,27
40 0,25
45 0,24
50 0,23
Valores maiores 1,63
n
Fonte: Adaptado de Marsaglia (2002)
2.4 Análise e quantificação de incertezas
A tarefa da modelagem matemática no âmbito das ciências e engenharia é a de prover
maneiras consistentes de prever fenômenos, descrevendo o seu comportamento por meio de
equacionamentos matemáticos (Montgomery, 2001). Considera-se uma observação de um
fenômeno da natureza quando este é medido (e consequentemente quantificado) e comparado
com o resultado informado pelo modelo matemático. O resultado do modelo e da medição não
necessariamente serão idênticos, possuindo discrepâncias, as quais serão menores conforme o
modelo melhora (Mendes, 1998).
Observando-se um fenômeno da natureza repetidas vezes, e avaliando-o de maneira
quantitativa, percebe-se que não ocorre sempre da mesma maneira, trazendo resultados
diferentes em cada ocasião. As causas dessas variações têm origem diversa, e normalmente
não é interessante ou viável identificar as suas causas ou modo de atuação (Montgomery,
2001). O modelo matemático determinístico não pode prever duas respostas diferentes para
um mesmo fenômeno, portanto, não é capaz de prever essas variações. Uma alternativa para
esse impasse é tratar as discrepâncias e variações como incertezas, considerando-as
separadamente, e inclusive empregando-as para caracterizar a capacidade do modelo (Decker,
1991). É do escopo de atuação da física experimental e da metrologia a incumbência de
identificar a magnitude e fontes de incerteza em experimentos, os quais são representações
controladas de fenômenos da natureza (IPQ e Inmetro, 2012).
Um modelo matemático pode ser descrito da seguinte forma:
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 38
1 2 3( , , ,..., )ny f x x x x= (2.14)
sendo y o resultado e 1 2 3, , ,..., nx x x x as variáveis independentes do modelo. As incertezas em
1 2 3, , ,..., nx x x x individualmente são obtidas mais facilmente por meio de experimentos com
condições bastante controladas. Dependendo do fenômeno representado, pode ser
impraticável reproduzi-lo fielmente em experimento para obter a incerteza de y
(Montgomery, 2001).
Um padrão adotado por engenheiros e experimentalistas é o proposto pelo Bureau
Internacional de Pesos e Medidas, a chamada Lei de Propagação de Incertezas (IPQ e
Inmetro, 2012):
1 2 3
2 22 2
2 2 2 2
1 2 3
...ny x x x x
n
y y y y
x x x x
= + + + +
(2.15)
sendo y a incerteza de y , e
1x ,
2x ,3,...,
nx x as incertezas de 1x , 2x , 3x , ..., nx
respectivamente. Essa formulação é aplicável a modelos cujas magnitudes das incertezas
sejam muito menores que os valores das variáveis correspondentes (Guimaraes Couto,
Carreteiro e Oliveir, de, 2013). Também é de máxima importância que não haja correlação
entre duas ou mais variáveis, isto é, que elas sejam independentes (Sobol, 1994).
Uma das formas de contornar essas restrições é a utilização de métodos estatísticos para
o cálculo da incerteza. Dentre os quais, pode-se citar: Método Monte Carlo (Monte Carlo
Method, MCM), sistemas nebulosos (fuzzy systems) (Xiao e Cai, 1997), expansão em
polinômios do caos (Polynomial Chaos, PC) (Banek, 1999), inferência bayesiana (Kennedy e
O’Hagan, 2001) e metamodelagem (Zhang et al., 2013). Em detrimento dos demais, o método
Monte Carlo foi escolhido. Dentre as razões para esta escolha, pode-se mencionar: a
implementação computacional em linguagem de alto nível é mais simples que a dos demais,
há maior bibliografia disponível e os requisitos em termos de background matemático são
suficientemente adequados para o escopo de um curso de graduação, não exigindo
conhecimentos demasiado avançados em estatística.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 39
2.5 Método Monte Carlo (MCM)
Ao longo de seus mais de 60 anos de existência, ideias e conceitos baseados no nome
Monte Carlo viram aplicação em diversas áreas de conhecimento, tais como a física,
engenharia, econometria, teoria de jogos, entre outros. Estas aplicações se baseiam em
modelar variáveis não controladas, ou não controláveis, como fenômenos não-determinísticos,
nos casos em que seus efeitos e influências não podem ser desprezados (Silva, Santos e
Negrão, 2018).
Dois importantes resultados da estatística dão a base para esse tipo de modelagem: o
teorema central do limite e a lei dos grandes números. Levando-os em conta, Metropolis e
Ulam (1949) propuseram o método Monte Carlo. Este método consiste em converter um
modelo determinístico em um modelo estocástico3. Isto é feito transformando as variáveis do
modelo em variáveis aleatórias, resolvendo-o numerosas vezes, por meio de realizações
massivas das variáveis. (Cunha et al., 2014). Assim, o resultado também será de caráter
estocástico. Como o modelo consiste em operações matemáticas sobre variáveis aleatórias,
segundo o Teorema Central do Limite, o resultado tenderá a uma distribuição normal, a qual é
definida por uma média e um desvio. Pela lei dos grandes números, o resultado tende ao valor
esperado convencionado conforme aumenta o número de vezes que o modelo é resolvido
(Kalos e Whitlock, 2008).
Inicialmente, o método foi proposto para calcular numericamente integrais multi-
dimensionais, inserindo a hiper-região onde a integral seria avaliada em um hiper-retângulo
que a contivesse completamente, e escolhendo aleatoriamente um número de pontos no hiper-
retângulo. O valor da integral seria dado proporcionalmente à razão entre o número de pontos
presente na hiper-região e o total de pontos. A Figura 2.7 exemplifica o funcionamento do
método, para um modelo de uma variável. A hiper-região de integração, nesse caso,
corresponde à área abaixo da curva, limitada em a e b , e o hiper-retângulo é o retângulo
restringido por a e b na horizontal e por 0 e maxy na vertical. Pontos são inseridos
aleatoriamente no retângulo, tantos quanto se queira. Em seguida, são contabilizados quantos
pontos satisfazem a relação ( )pontoy f x , isto é, estão abaixo da curva de ( )f x . A integral
definida, isto é, a área abaixo da curva, é calculada como segue:
3 Entende-se por modelo estocástico um equacionamento que depende de variáveis aleatórias, isto é, suas saídas são dependentes do acaso e
os resultados futuros não têm relação com resultados passados.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 40
( ) _
_
b pontos abaixo
hiper retânguloa
pontos total
NA f x dx A
N−= = (2.16)
Figura 2.7 - Cálculo de integral pelo método Monte Carlo
Fonte: Adaptado de Andreazza et al. (2010).
O método foi proposto por Metropolis e Ulam (1949) visando a resolução de problemas
intrinsicamente estocásticos e/ou de alta complexidade, tais como: termodinâmica estatística,
física nuclear, dinâmica de partículas, entre outros. As aplicações do método Monte Carlo
eram bastante restritas, devido ao elevado poder computacional requerido (Bauer, 1958). No
entanto, isso não impediu o método de ser aplicado já inicialmente em problemas da física
clássica de menor complexidade, como no caso da difusão unidimensional (King, 1951).
A primeira menção do uso do MCM visando cálculo de incertezas foi pelos trabalhos de
Gardner et al. (1980), a partir do desenvolvimento de um código computacional em
linguagem FORTRAN 66, o qual era acoplado a outros modelos matemáticos. A aplicação do
Monte Carlo para o cálculo de incertezas é levemente diferente da aplicação para o cálculo de
integrais. A aplicação se baseia nos seguintes passos, desenvolvidos por Martínez (2009) e
ilustrados na Figura 2.8 (Silva, Santos e Negrão, 2018):
1. Seleção do modelo matemático;
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 41
2. Definição dos parâmetros (variáveis) do modelo, como variáveis aleatórias,
seguindo uma distribuição de probabilidades escolhida (a qual pode depender de
parâmetros como média, desvio padrão, graus de liberdade, entre outros);
3. Realização (amostragem) das variáveis com aplicação e solução do modelo;
4. Repetição do passo (3) um número predeterminado de vezes;
5. Processamento dos dados obtidos, de forma a retornar o resultado final, junto da
incerteza.
Figura 2.8 - Esquema de funcionamento - Simulação Monte Carlo
Fonte: Adaptado de (Martínez, 2009)
Outras aplicações específicas do método Monte Carlo, com seus respectivos parâmetros
e particularidades, são exibidas na Tabela 2.2.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 42
Tabela 2.2 - Trabalhos abordando o método Monte Carlo para cálculo de incertezas.
Trabalho Problema abordado Amostragem Gerador de números
aleatórios empregado
Número de
repetições
Principais limitações
Thompson et al
(1992)
Riscos em saúde pública
(exposição à produtos químicos)
Aleatória Simulador comercial acoplado
à planilha Excel (Crystal Ball)
10.000 - Modelos simplificados em demasia;
- Correlações entre variáveis foram ignoradas.
Shade e Jayjock
(1997)
Exposição a gases durante o
tratamento de água
Aleatória Simulador comercial acoplado
à planilha Excel (Crystal Ball)
10.000 - Dificuldades para validação experimental.
Considine et al
(1999)
Predição da quantidade de ozônio
na atmosfera
Hipercubo
Latino (LHS)
Não informado 50 - Não é possível identificar quais parâmetros
influenciam mais na incerteza total.
Moore e Longerdan
(2001)
Predição de concentrações de
poluentes atmosféricos
Hipercubo
Latino (LHS)
Gerador linear congruente 20 - Elevado tempo computacional requerido por
repetição.
Cooke et al (2009) Transferência de calor em
turbomáquinas
Aleatória Não informado 50.000 - Dificuldades para comparação com
resultados experimentais.
Horne et al (2012) Cálculo da viscosidade em um
recipiente oscilante (problema
transiente)
Aleatória Não informado 100 - Necessidade de malhas temporais muito
refinadas.
Araújo et al (2014) Emissividade de superfície cinza,
por radiometria em infravermelho Aleatória Não informado 10.000 - Dificuldades para comparação com
resultados experimentais.
Alvarenga et al
(2016)
Obtenção de parâmetros
ultrassônicos de vigas
Aleatória Gerador próprio do software
LabVIEW
2.000 - Magnitude das incertezas precisa ser muito
menor que a dos respectivos parâmetros.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 43
É possível notar na Tabela 2.2 a ausência de trabalhos tratando da análise de incertezas
em fenômenos transientes de hidráulica de poços. De fato, há uma lacuna na literatura em
relação à classe de problemas transientes, de modo geral. Dessa forma, torna-se oportuno
explorar essa ausência por meio do presente trabalho.
2.6 Amostragem
Metropolis e Ulam (1949), ao proporem o método Monte Carlo, tinham por principal
objetivo facilitar a resolução de integrais multi-dimensionais numericamente. No exemplo
dado por eles, é mencionado um modelo de 20 variáveis. Calcular essa integral por somas de
Riemann, com dez divisões em cada coordenada, demandaria uma soma de 2010 termos, cada
um sendo composto por uma multiplicação de 20 termos. Esta tarefa é vista como
impraticável computacionalmente, mesmo nos dias de hoje. No trabalho original (Metropolis
e Ulam, 1949), foi sugerido um número de 410 pontos dentro do hiper retângulo, uma redução
radical.
A tarefa de se definir uma amostragem apropriada continua sendo um desafio até os dias
de hoje. Um número elevado de repetições faz com que o tempo necessário para executar a
simulação seja muito alto, ao mesmo tempo que um número pequeno pode ser insuficiente
para assegurar a convergência da média e do desvio (Santos, 2014; Votaw-Jr e Rafferty,
1951).
Originalmente, a proposta de Metropolis e Ulam (1949) foi selecionar os pontos no
hiper-retângulo de forma aleatória (no caso, seguindo a distribuição de probabilidades
uniforme). A Figura 2.9 exemplifica essa forma de amostragem, levando em conta um modelo
de duas variáveis, e um número de pontos próximo de 100. As duas variáveis seguem uma
distribuição normal, com média nula. É possível notar que os valores tendem a se concentrar
mais ao centro, isto é, próximos da média, conforme determina a distribuição normal.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 44
Figura 2.9 - Representação da amostragem aleatória, para um conjunto de cerca de 100 pontos
Fonte:(Hurtado e Barbat, 1998).
Esse método de amostragem é bastante simples de implementar computacionalmente
em linguagens de programação de uso geral, necessitando apenas de um gerador de números
aleatórios (Seção 2.7). Seu funcionamento é bastante satisfatório para modelos mais simples,
uma vez que nesses casos o número de repetições pode ser aumentado sem muitas
consequências. No entanto, para modelos mais complexos4, o aumento do número de
repetições pode tornar o método proibitivo, uma vez que a convergência da média e do desvio
é bastante lenta (Beck, 2014). Além disso, mesmo os bons geradores de números aleatórios
possuem leves tendências, muitas das quais não se atenuam ao aumentar o número de
amostras, e se convertem em alterações nos valores finais da média, e principalmente do
desvio padrão (Schutz, 2012). Estas tendências podem ser notadas na Figura 2.9. Com um
olhar mais criterioso, pode-se perceber que na variável ix , há mais pontos à esquerda da
média, assim como também há mais pontos abaixo da média na variável jx .
Probabilisticamente falando, não é obrigatório haver exatamente o mesmo número de pontos
de cada lado, porém a discrepância deve ser mínima, diminuindo conforme aumenta o número
de pontos (James, 2004). Assim, pelos motivos expostos acima, torna-se, de certa forma,
inadequado utilizar essa amostragem.
Uma forma bastante razoável de contornar as tendências do gerador de números
aleatórios é a proposta por Steinberg (1963), e posteriormente reformulada por Jessen (1975).
4 Por modelo complexo, entende-se um modelo que exige operações matemáticas computacionalmente mais demoradas, tais como: senos,
cossenos, logaritmos e exponenciais (cujo cálculo é feito por séries, compostas de longas somas), ou mesmo modelos de solução iterativa,
que podem requerer critérios de convergência mais estreitos, ou refinamentos de malha excessivos (Sobol, 1994).
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 45
Trata-se da estratificação do domínio das variáveis aleatórias, seguida da amostragem faixa a
faixa, em cada variável. A Figura 2.10 exemplifica essa amostragem, para um modelo de duas
variáveis e estratificação em sete faixas. É escolhido um ponto aleatoriamente dentro de cada
interseção de faixas. Cada faixa representa um intervalo do domínio de probabilidade de
ocorrência igual a 1 N , sendo N o número de faixas. No presente exemplo, cada faixa tem
probabilidade 1 7 14,29%P = = de ocorrência. Assim, a largura das faixas é diferente em
cada porção do domínio, sendo mais finas próximo à média e mais largas conforme afasta-se
da média (para o caso da distribuição normal).
Figura 2.10 - Representação da amostragem estratificada, para um modelo de duas variáveis, e
estratificação em sete faixas
Fonte: (Hurtado e Barbat, 1998)
Essa forma de amostragem promove uma cobertura maior do domínio das variáveis
aleatórias, utilizando um número menor de pontos, comparado à amostragem aleatória. Sua
implementação computacional é ligeiramente mais complexa que a da amostragem aleatória,
devido à necessidade de fazer a amostragem individualmente dentro de cada intersecção de
faixas. No entanto, ainda vale a pena no caso de modelos de maior complexidade e um
número pequeno de variáveis (Rubinstein, 1981). Porém, para modelos com muitas variáveis,
a amostragem estratificada se inviabiliza, devido ao número de pontos (i.e. o número de
repetições) tornar-se muito grande.
Pode-se concluir que o número de pontos requerido nesse método é igual a
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 46
1 2 3
...npontos faixas faixas faixas faixasN N N N N= (2.17)
sendo pontosN o número necessário de pontos,
1faixasN o número de faixas na variável 1,
2faixasN , 3faixasN , idem, para as variáveis 2 e 3, respectivamente, e n , o número total de
variáveis. Se todas as variáveis forem estratificadas com o mesmo número de faixas, então o
número de pontos necessário é:
n
pontos faixasN N= (2.18)
Assim, ao aumentar o número de variáveis, o número de pontos aumenta
exponencialmente. Isso impossibilita a aplicação em modelos que envolvem maiores
quantidades de variáveis.
De modo a transpor as restrições da amostragem estratificada, foi desenvolvida a
amostragem por hipercubo latino (latin hypercube sampling, LHS) (McKay, Beckman e
Conover, 1979). O nome é devido ao passatempo matemático chamado quadrado latino,
similar ao popular sudoku. Nesse passatempo, o objetivo é preencher uma matriz n n com
números ou letras (caracteres latinos), de modo que um mesmo caractere não se repita em
uma mesma coluna ou linha. A Figura 2.11 ilustra um quadrado latino 10 10 , preenchido
com números entre zero e nove.
Figura 2.11 - Exemplo de quadrado latino
Na amostragem por hipercubo latino, o domínio das variáveis aleatórias é dividido em
faixas, da mesma forma que na amostragem estratificada, sendo o número de faixas
necessariamente o mesmo para todas as variáveis. Em seguida, são escolhidos os pontos de
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 47
forma aleatória, porém respeitando a restrição de não haver mais de um ponto em qualquer
faixa, de qualquer variável. A Figura 2.12 exemplifica o funcionamento do método, em um
modelo de duas variáveis e sete faixas. As variáveis representadas, iu e ju , seguem uma
distribuição normal, com média nula. Pode-se notar que em cada faixa da variável iu há
somente um ponto (ou seja, cada trecho do domínio é amostrado somente uma vez), e o
mesmo ocorre com a variável ju .
Figura 2.12 - Representação da amostragem por hipercubo latino (LHS), para um modelo de duas
variáveis, e estratificação em sete faixas
Fonte: (Hurtado e Barbat, 1998)
Apesar de possuir uma implementação computacional mais complexa que os métodos já
apresentados (Mease e Bingham, 2006), esse método de amostragem acaba sendo bastante
compensatório pelas vantagens associadas. A principal delas é a possibilidade de ser aplicado
em modelos com número elevado de variáveis, uma vez que o número de pontos não depende
mais do número de variáveis, mas simplesmente do número de faixas escolhido.
Comparando-se com a amostragem estratificada, mesmo com um número visivelmente
inferior de pontos, ainda ocorre uma cobertura bastante homogênea do domínio das variáveis.
Isso se deve ao fato de que o domínio todo das variáveis foi coberto (apesar de que apenas por
um ponto), levando em conta a equiprobabilidade (McKay, 1992; McKay, Beckman e
Conover, 1979). Além disso, o número de pontos pode ser aumentado com mais liberdade
apenas aumentando o número de faixas. A restrição imposta pela quantidade de variáveis não
existe mais. Pelos motivos expostos, esse método foi utilizado no presente trabalho.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 48
2.7 Geração de Números Aleatórios
Sob o ponto de vista computacional, a realização das variáveis aleatórias depende da
geração de números aleatórios. As variáveis aleatórias serão melhor representadas
dependendo da qualidade dos números gerados. Dessa forma, é de extrema importância para
uma simulação estocástica a qualidade do RNG (random number generator) empregado.
De forma bastante genérica, Press et al (1992) definem o conceito de RNG, para fins
computacionais, como um programa que gera uma distribuição de números passíveis de
aprovação em testes estatísticos de aleatoriedade. Assim, não faz sentido tratar números em
separado como sendo aleatórios, e sim, distribuições de valores numéricos.
O conceito de aleatoriedade, nesse âmbito, também merece a devida atenção. Sendo o
RNG um programa de computador, que opera de maneira estritamente determinística, parece
haver um impasse conceitual em gerar respostas aleatórias. No entanto, a partir da definição
dada, entende-se que sequências geradas deterministicamente podem ser aprovadas nos testes
de aleatoriedade, ao possuírem aparência de aleatórias. Surge então o conceito de números
pseudoaleatórios, como sendo aqueles gerados por métodos determinísticos, em detrimento de
métodos que geram sinais tidos como aleatórios, associados muitas vezes a fenômenos da
natureza (Press et al., 1992).
Nos primeiros anos da computação por meios eletroeletrônicos, entre as décadas de
1940 e 1970, haviam três principais maneiras de incorporar aleatoriedade em modelos
computacionais (Sobol, 1994):
a) Obtenção de sinais de ruído em válvulas: avaliando-se a passos regulares de
tempo, se a tensão do ruído do equipamento ultrapassasse determinado limite um
número ímpar de vezes, anotava-se dígito 1; caso fosse um número par de vezes,
digito 0;
b) Tabelas de números aleatórios: Tais tabelas disponíveis na literatura forneciam
até milhares de dígitos aleatórios, seguindo diversas distribuições. A mais
famosa é a publicada por Rand (1955);
c) Meios manuais: como exemplo, dados, roletas, moedas, entre outros.
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 49
No caso das tabelas de números aleatórios, a implementação era inviabilizada pela
demora em passar os valores para a máquina e o limitado armazenamento presente nos
computadores. Geradores baseados em hardware, no geral, não são apropriados para
simulação, pois são difíceis de instalar e operar, custosos, e principalmente, são incapazes de
reproduzir uma sequência gerada. Em simulações numéricas, a reprodução de sequencias é
importante, uma vez que pode ser necessário comparar resultados ou testar soluções
alternativas, por exemplo. Tendo em vista tais problemas, os geradores de números
pseudoaleatórios consolidaram-se como o método padrão para inserir caráter não-
determinístico em modelos (L’Ecuyer, 2017).
Os geradores de números pseudoaleatórios são algoritmos computacionais de caráter
determinístico e recursivo. Dessa forma, o número gerado em uma iteração dependerá do
número gerado na iteração anterior, e o primeiro número a ser gerado depende de um input
externo chamado semente (Bussab e Morettin, 2010). Como consequência disso, em posse de
um mesmo gerador e uma mesma semente, qualquer sequência de números gerada pode ser
replicada.
A distribuição de probabilidade Uniforme, no intervalo [0,1] é a de maior interesse em
simulações estocásticas, uma vez que outras distribuições podem ser geradas a partir desta.
Por esse motivo, pode-se entender o termo “número aleatório” como uma realização dessa
variável. Abaixo, são mencionadas algumas das características requeridas em algoritmos
RGN (Schutz, 2012):
a) Uniformidade: os números gerados devem seguir a distribuição uniforme. Isso
implica que eles não podem possuir “desequilíbrios” em um histograma,
possuindo quantidades similares em cada faixa;
b) Período longo: o período do gerador é a maior quantidade de números gerados
sem haver repetição da sequência. Espera-se que o gerador comece a repetir
números somente depois de gerar uma sequência grande. Idealmente, deseja-se
que o período seja infinito, isto é, não haja repetição de valores;
c) Eficiência computacional: o gerador deve ser simples de implementar em
linguagem de programação de alto nível e eficiente, no sentido de utilizar
operações matemáticas simples e rápidas. Ainda pode ser desejável que o
algoritmo preveja meios de aceitar paralelização de código;
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 50
d) Repetição e portabilidade: a partir de uma mesma semente e um mesmo gerador,
deve ser obtida sempre uma mesma sequência de números. É desejável que isso
ocorra também utilizando máquinas diferentes (usando mesmo algoritmo
gerador e mesma semente).
O primeiro gerador de números aleatórios algorítmico proposto foi o método dos
quadrados centrais (Neumann, von, 1951). Tomando como semente um número com
quantidade par de algarismos, este é elevado ao quadrado para formar um número com o
dobro de algarismos. Os algarismos centrais do valor resultante são retornados como dígitos
aleatórios, e a partir destes, o número seguinte é gerado, como mostrado na Tabela 2.3,
utilizando como semente 0 3256s = .
Tabela 2.3 - Método dos quadrados centrais
i Si Si2
0 3256 10601536 1 6015 36180225
2 1802 03247204
3 2472 06110784
4 1107 01225449 5 2254 05080516
6 0805 00648025
7 6480 41990400 8 9904 98089216
Esse método foi bastante aplicado, porém parou de ser utilizado quando foi descoberto
que dependendo do número inicial 0s , ocorriam casos em que o algoritmo retornava um
número is , tal que ( ) 1i i if s s s+= = , quebrando o propósito do gerador. Exemplos de tais
valores de is são: 0000 (caso trivial), 2500 ( 2
is = 06250000), 60 ( 2
is = 3600, para os casos
que os números são de dois dígitos), ou ainda casos de período extremamente curto, como o
mostrado na Tabela 2.4. Além desse inconveniente, não havia como garantir uniformidade na
quantidade de cada algarismo gerado.
Lehmer propôs um algoritmo simples, baseado em restos de divisões, com propriedades
matemáticas peculiares, o gerador linear congruente (Lehmer, 1949). A fórmula de recursão é:
( )1 modi ix ax c m+ = + (2.19)
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 51
sendo ( ) ( )modx y o resto da divisão de x por y , com x e y sendo números naturais.
Tabela 2.4 - Método dos quadrados centrais - Falhas
i Si Si2
. . .
. . .
. . .
j 3600 12960000 j + 1 9600 92160000
j + 2 1600 02560000
j + 3 5600 31360000
Esse gerador depende de três parâmetros: o módulo m ( 0m ); o multiplicador a
( 0 a m ); o incremento c ( 0 c m ); a semente 0x ( 00 x m ). A partir desse gerador
podem ser criados números inteiros entre zero e 1m− . Para fazer com que os números
gerados assumam uma distribuição uniforme padrão, divide-se os valores gerados por m . A
depender da escolha dos três parâmetros, o período do gerador pode ser maior ou menor. O
máximo período possível, que é igual ao módulo, é obtido ao atender-se às três condições de
Hull e Dobell (1962):
a) O módulo m e o incremento c devem ser relativamente primos, isto é, não
serem divisíveis por um mesmo número;
b) 1a− deve ser divisível por todos os fatores primos de m ;
c) 1a− deve ser divisível por 4 se m for divisível por 4 ;
Para que o período do gerador seja longo, é necessário que o módulo seja o maior
possível (já que o máximo período para um gerador é o próprio módulo). No entanto, se o
módulo for muito grande (da ordem de 642 ), o cálculo do resto da divisão torna-se lento,
comprometendo a eficiência do gerador (L’Ecuyer, 2017).
Visando mitigar esse inconveniente e objetivando aplicação em simulações Monte
Carlo, Matsumoto e Nishimura (1998) propuseram o gerador chamado Mersenne twister, com
fórmula de recorrência mais complexa que a do gerador linear congruente, porém ainda
baseado em relações lineares e mais rápido que os demais geradores existentes. O nome deve-
se ao fato de que o período do gerador é igual a um número primo de Mersenne, da forma
2 1k − . O valor originalmente utilizado é 19937 60012 1 4,3 10− (Schutz, 2012). Esse gerador é
Capítulo 2 – Fundamentação teórica e revisão bibliográfica 52
implementado nativamente nos compiladores de diversas linguagens de programação, como
Python, PHP, R e FORTRAN. Por tais motivos, este gerador foi adotado neste trabalho.
2.8 Síntese do Capítulo
O presente capítulo objetivou expor os principais temas e definições acerca do tema do
trabalho. Foram inicialmente contextualizados os principais assuntos em modelagem de
fenômenos hidráulicos transientes. Assim, definiu-se que a modelagem matemática a ser
empregada é a proposta por Oliveira et al. (2011; 2013; 2012). Essa modelagem será
detalhada no capítulo seguinte. Em seguida, foram apresentadas algumas definições da
estatística, visando auxiliar no entendimento da terminologia. Posteriormente, foram
apresentadas algumas ideias sobre cálculo de incertezas. O método Monte Carlo foi
introduzido, seguido de uma revisão da literatura acerca de sua aplicação. Após, tratou-se da
amostragem por hipercubo latino e da geração de números aleatórios.
Durante a revisão do método Monte Carlo, constatou-se que não há outros trabalhos
tratando de análise de incertezas em problemas transientes de hidráulica de poços. Dessa
forma, torna-se interessante abordar essa lacuna na literatura por meio do presente trabalho.
2.8.1 Objetivos específicos
De modo a atingir os objetivos estabelecidos na seção 1.4, são propostos os seguintes
objetivos específicos:
a) Estudar os fenômenos transientes envolvidos na hidráulica de poços de petróleo;
b) Propor uma metodologia de incorporação de características estatísticas em
modelos matemáticos determinísticos;
c) Modelar matematicamente e estatisticamente o processo de perfuração;
d) Implementar numericamente a modelagem desenvolvida;
e) Obter, quantitativamente, a incerteza na pressão transiente no fundo do poço;
f) Determinar a influência de cada variável do processo na composição da
incerteza total.
Capítulo 3 – Modelagem Matemática 53
3 MODELAGEM MATEMÁTICA
No presente capítulo, são apresentadas as duas frentes de modelagem do presente
trabalho: primeiramente, a formulação matemática, composta pelas equações de conservação
da massa e quantidade de movimento, além da compressibilidade isotérmica. Também é
apresentada a metodologia de solução. O modelo foi desenvolvido por Oliveira (Oliveira,
2011; Oliveira et al., 2010, 2013; Oliveira, Franco e Negrão, 2015; Oliveira, Negrão e Franco,
2012), para escoamento unidimensional, transiente e fracamente compressível.
A presente modelagem é implementada na forma de um software, chamado Well
Pressure Simulation (WPS). Esse software permite personalizar todas as especificações do
problema a ser estudado, tais como: geometria, tipo de fluido e condições iniciais e de
contorno.
EQUATION SECTION (NEXT)
3.1 Considerações iniciais do problema e hipóteses simplificadoras
Os objetos centrais de estudo do presente trabalho são alguns dos fenômenos transientes
da hidráulica de perfuração poços de petróleo. Em especial, estes fenômenos dizem respeito
ao escoamento do fluido de perfuração. A Figura 3.1 ilustra a geometria empregada para estes
fenômenos: um conjunto coluna-anular, de comprimento total TL , que corresponde à soma
dos comprimentos das seções de coluna e anular. A origem do sistema ( z = 0) encontra-se na
entrada da coluna, com o sentido positivo do eixo apontando para baixo, na direção favorável
à gravidade. A região em branco compreende a coluna de perfuração, enquanto a região em
cinza mais escuro diz respeito ao espaço anular entre coluna e poço.
São estabelecidas inicialmente algumas hipóteses simplificadoras, as quais visam
reduzir a complexidade dos modelos, de modo a possibilitar simulações mais rápidas, que
ainda preservam as características mais relevantes do modelo, podendo inclusive viabilizar
soluções analíticas.
As hipóteses consideradas são:
a) Escoamento transiente;
b) Escoamento fracamente compressível;
Capítulo 3 – Modelagem Matemática 54
c) Modelo unidimensional: as dimensões do comprimento da geometria são muito
maiores que os diâmetros, isto é, as razões de aspecto D L são muito pequenas.
É também bastante razoável considerar o escoamento como simétrico em relação
à coordenada , assim, as propriedades do escoamento dependerão somente da
coordenada z ;
d) Escoamento isotérmico – Hipótese básica da equação (3.13). Após o fluido
circular por um tempo, sua temperatura torna-se homogênea;
e) Escoamento laminar: devido às baixas vazões empregadas e às elevadas
viscosidades dos fluidos de perfuração;
f) O fluido de perfuração é representado pelo modelo não-newtoniano de Bingham;
g) Perdas de carga devido a variações de diâmetro são desprezadas;
h) A geometria é perfeitamente rígida;
i) Ausência de cascalhos no escoamento – O tamanho dos cascalhos é pequeno em
comparação com as dimensões do poço. Em manobras de retirada e inserção de
coluna, normalmente o fluido de perfuração é circulado, removendo todos os
cascalhos presentes no espaço anular.
Figura 3.1 - Geometria tubo-anular empregada
Capítulo 3 – Modelagem Matemática 55
3.2 Equações Governantes
A primeira equação governante do problema é a equação da conservação da massa.
Após aplicar as hipótese simplificadoras, tem-se a forma da equação (3.1):
0V
t z
+ =
(3.1)
sendo P a pressão média, V a velocidade média do fluido, a massa específica, z a
posição axial e t o tempo.
A segunda equação governante do problema é a equação do balanço da quantidade de
movimento, na direção z . Dessa forma, após aplicar as hipóteses, tem-se:
4
0w
h
V Pg
t z D
+ + + =
(3.2)
sendo a massa específica média, g a aceleração da gravidade, hD o diâmetro hidráulico e
w a tensão de cisalhamento na parede da geometria, calculada pela equação (3.3):
2
w
f V V = (3.3)
sendo f o fator de atrito de Fanning, que leva em consideração as características do fluido
não newtoniano, definido pela equação (3.5):
A terceira equação é o modelo constitutivo do fluido. O modelo adotado é o de
Bingham, apresentado na equação (3.4).
0 p = + (3.4)
sendo a tensão de cisalhamento, 0 a tensão limite de escoamento, p a viscosidade
plástica e a taxa de cisalhamento.
Em posse do modelo constitutivo do fluido, é possível definir o fator de atrito para o
modelo de Bingham na equação (3.5):
,
16
Rez t
f
= (3.5)
sendo:
Capítulo 3 – Modelagem Matemática 56
( )
( )( )
2
2
2
1
1, para anular
11
ln
1, para tubo
−
−
−= + −
(3.6)
i
e
D
D = (3.7)
,Re
ef h
z t
p
V D
= (3.8)
3
, ,
4
, ,
11 Bi Bi , para anular
6 2 12
11 Bi Bi , para coluna
6 3 8
z t z t
z t z t
− +
=
− +
(3.9)
0,Bi h
z t
ef p
D
V
= (3.10)
ef pV V KV= + (3.11)
( )
( ) ( )
2 2
2
1 2 ln
2 1 lnK
− + = −
−
(3.12)
sendo pV a velocidade nominal da coluna, a razão de diâmetros, um fator de forma, a
condutância do fluido de Bingham, ,Rez t
o número de Reynolds, ,Biz t
o número de Bingham,
K o fator de arrasto e efV a velocidade efetiva da coluna.
A quarta equação do problema é a compressibilidade isotérmica do fluido, definida por
Anderson (1990) como:
2
1 1
TP c
= =
(3.13)
sendo a compressibilidade isotérmica, c , a velocidade de propagação da onda de pressão
no fluido e T , a temperatura. Após a substituição da equação (3.13) na equação (3.1), tem-se
a nova expressão do balanço de massa:
Capítulo 3 – Modelagem Matemática 57
1
0P V
t z
+ =
(3.14)
3.3 Metodologia de Solução
As equações governantes do problema formam um sistema de equações diferenciais
parciais hiperbólicas não lineares. Assim, não possuem solução analítica. De modo a obter
vantagens computacionais, é utilizado o método das características (Method of
Characteristics, MOC). Este método objetiva simplificar as equações diferenciais parciais
hiperbólicas, transformando-as em equações diferenciais ordinárias (Wylie, Streeter e Suo,
1993). Assim, é possível resolvê-las pelo método das diferenças finitas.
Ilustra-se o funcionamento do MOC na Figura 3.2, na qual observa-se a malha
empregada no método. No eixo das abscissas, é delineada a malha axial da geometria. Nas
ordenadas, vê-se o avanço temporal. A simplificação das equações faz com que o modelo seja
resolvido para as chamadas linhas características C + e C − , as quais correlacionam os valores
de pressão 1iP− e 1iP+ no tempo anterior com o valor iP no tempo atual (Wylie, Streeter e Suo,
1993). Para a presente modelagem, as linhas características são:
210
: h
fV VdV dPg
dt c dt DC
dzc
dt
+
+ + + =
=
(3.15)
210
: h
fV VdV dPg
dt c dt DC
dzc
dt
−
− + + =
= −
(3.16)
Na definição da malha, o comprimento da geometria é dividido em NZ seções de
comprimento Tz L NZ = . Sendo a velocidade de propagação da onda c uma constante,
tem-se t z c = . Dessa forma, os passos de tempo e de comprimento são interdependentes.
Para uma posição axial, pressão e velocidade são calculadas a cada 2 t .
Capítulo 3 – Modelagem Matemática 58
Figura 3.2 - Malha utilizada pelo método das características
Fonte: Adaptado de (Oliveira, 2011)
3.4 Condições de contorno e iniciais
Todos os problemas transientes mencionados na seção 2.1 são resolvidos pelo mesmo
conjunto de equações (conservação da massa, quantidade de movimento, e compressibilidade
isotérmica). O que os diferencia são as condições de contorno e iniciais e a geometria
empregada (Oliveira, 2011). Na presente seção, serão descritas as condições empregadas para
o problema descrito no estudo de caso (seção 6.1).
Para o caso do Surge & Swab (movimentação de coluna), como condição inicial do
problema tem-se fluido em repouso ( ( ), 0 0V z t = = ) e pressão hidrostática ao longo da
geometria. Como condições de contorno tem-se imposição de pressão ou vazão, na entrada
( ( ) 00,P z t P= = ou ( ) 00,Q z t Q= = ) e pressão estabelecida ( ( ),T atmP z L t P= = ) na saída do
sistema. Considera-se também o acoplamento coluna-anular no fundo do poço. A condição de
contorno mais importante, que caracteriza o fenômeno de surge & swab é a velocidade
relativa ( )pV t entre coluna e poço.
3.5 Síntese do capítulo
No presente capítulo, foi apresentada a modelagem matemática que será empregada no
trabalho. Inicialmente, são estabelecidas algumas hipóteses simplificadoras. A modelagem
Capítulo 3 – Modelagem Matemática 59
consiste nas equações de conservação da massa e quantidade de movimento, junto da equação
constitutiva do fluido e da compressibilidade isotérmica, além de outros termos auxiliares.
Foram definidas condições de contorno apropriadas para o problema transiente e a
metodologia de solução. No capítulo seguinte, será apresentada a modelagem estatística,
responsável por agregar as considerações de incertezas para o problema.
Capítulo 4 – Simulação estatística 60
4 SIMULAÇÃO ESTATÍSTICA
4.1 Considerações iniciais
Diferentemente de alguns métodos mencionados na seção 2.4, o método Monte Carlo
(MCM) trata o modelo matemático como uma caixa preta. O método se encarrega de gerar
um conjunto de entradas, chamar o modelo e tratar as saídas (Decker, 1991). Assim, para os
fins do MCM, o modelo matemático descrito no capítulo 3 pode ser reescrito de maneira
simplificada na forma da equação (3.17):
( )0 0, , , , , , , , ,p pP f D L V P z t = (3.17)
De modo a converter o modelo matemático de determinístico para estocástico, suas
variáveis são convertidas em variáveis aleatórias (Sobol, 1994). Toma-se, por exemplo, a
massa específica, e assume-se que o seu valor varia segundo uma distribuição normal. Essa
massa específica possui um valor nominal convencionado, ou mesmo um valor médio, e uma
incerteza associada, em geral, obtidos experimentalmente (Mendes, 1998). Assim, pode-se
estabelecer uma variável aleatória ( )2~ ,N (lê-se: variável aleatória tende a uma
distribuição normal de média e variância 2
(James, 2004)), análoga à variável
original. Este processo se repete para todas as variáveis do modelo, considerando também que
variam segundo uma distribuição normal.
Tendo estabelecidos o modelo e as variáveis, a etapa seguinte é a amostragem.
4.2 Amostragem das Variáveis Aleatórias
Por amostragem, entende-se o procedimento através do qual serão definidos os valores
das variáveis a serem aplicados nas sucessivas resoluções do modelo matemático (McKay,
1992). Conforme exposto na seção 2.6, a amostragem implica diretamente na fidedignidade
dos resultados finais, no tempo computacional gasto e, inclusive, na viabilidade da simulação
Monte Carlo como um todo (Manteufel, 2000). Dessa forma, há grandes expectativas e
demandas sobre a metodologia a ser empregada para esta tarefa.
Capítulo 4 – Simulação estatística 61
O método utilizado no presente trabalho é a amostragem por hipercubo latino (LHS)
(McKay, Beckman e Conover, 1979). Este método consiste em dividir o domínio das
variáveis aleatórias do modelo em intervalos (faixas) de igual probabilidade de ocorrência,
para em seguida retirar as amostras, respeitando a regra de não amostrar uma mesma faixa
mais de uma vez. A seguir, será explicado detalhadamente o método.
A Figura 4.1ilustra a amostragem por hipercubo latino para um modelo genérico de
duas variáveis. De modo geral, a implementação do LHS pode ser dividida nas seguintes
etapas:
1) Determinar o número N de faixas a ser utilizado na simulação. No caso da
Figura 4.1 são sete faixas;
2) Numerar as faixas, conforme ilustra a Figura 4.1 (a), para cada uma das
variáveis. Inicia-se pelo número um para a faixa mais à esquerda, até N para a
faixa mais à direita;
3) Determinar, de maneira aleatória, os emparceiramentos entre as faixas. A Figura
4.1 (b), junto da Tabela 4.1, ilustra esta etapa. Por emparceiramento, entende-se
um conjunto de faixas, uma de cada variável. Os emparceiramentos devem
seguir o princípio da LHS, que requer que não haja repetição de faixas. Pode-se
notar na Figura 4.1 (b) que cada faixa da variável 1x foi escolhida apenas uma
vez, da mesma forma como ocorre na variável 2x ;
4) Determinar o valor numérico a ser aplicado no modelo matemático. Isto é feito
aleatoriamente, para cada variável, dentro de cada intervalo, conforme mostra a
Figura 4.1 (c). Em seguida, retorna-se ao emparceiramento feito no passo (2),
agrupando os valores de cada uma das variáveis (Figura 4.1 (d)).
Figura 4.1 - Esquema de implementação - Amostragem por hipercubo latino
Capítulo 4 – Simulação estatística 62
Tabela 4.1 - Emparceiramento resultante da amostragem apresentada na Figura 4.1.
Simulação Faixa em 1x Faixa em
2x
1 6 5 2 3 3
3 2 4
4 7 1
5 5 7
6 1 2
7 4 6
A mais crítica dentre as apresentadas é a etapa 4, a qual receberá atenção maior nessa
seção. Tendo o emparceiramento de faixas, exemplificado pela Tabela 4.1, o passo seguinte é
a realização das variáveis aleatórias do modelo para cada uma de suas faixas, garantindo que
o valor obtido de fato esteja contido no intervalo referente à faixa. Aparentemente simples,
essa tarefa mostra-se laboriosa no instante em que se objetiva determinar as fronteiras das
faixas. A função de distribuição de probabilidades fornece pouca ajuda, uma vez que essas
fronteiras são definidas em termos de um sistema de N equações integrais, apresentado de
forma genérica na equação (3.18):
( )
( )
( )
1,2
2,3
1,2
1,
1
1
.
.
.
1
f
f
f
fN N
x
x
x
x
f x dxN
f x dxN
f x dxN −
−
=
= =
(3.18)
sendo N , o número de faixas e 1,n nfx−
a fronteira entre as faixas 1n− e n ,
A solução para esse obstáculo passa pela função de distribuição acumulada (FDA). Ela
torna-se relevante quando se percebe que essa função associa o domínio da variável aleatória
a um domínio de probabilidades. Como consequência, a inversa da FDA recebe uma
probabilidade e retorna um valor da variável aleatória. A determinação das fronteiras no
domínio da probabilidade é mais simples, na forma das seguintes equações, não mais
acopladas:
Capítulo 4 – Simulação estatística 63
1,2
2,3
1,
1
1
1
11
12
.
.
.
1N N
f
f
f
x FN
x FN
x F NN−
−
−
−
=
=
=
(3.19)
Tendo as fronteiras das faixas, a maneira mais trivial de obter as amostras é realizar a
variável quantas vezes for necessário até ela retornar um valor dentro da faixa desejada. Essa
abordagem é extremamente ineficiente, em especial quando o número de faixas é grande. Essa
ineficiência se deve à significativa rejeição de amostras, que aumenta conforme aumenta o
número de faixas.
Visando eliminar as rejeições na geração de amostras, tornando a implementação mais
enxuta, pode-se utilizar de melhor forma o potencial da inversa da FDA. Define-se a seguinte
variável aleatória:
( )0,1n U
WN
−= (3.20)
sendo n o número de uma faixa de interesse e ( )0,1U uma realização da variável aleatória de
distribuição uniforme variando entre 0 e 1. Essa variável retorna um valor entre ( )1n N− e
( )n N . No domínio da probabilidade, estes valores são as fronteiras da faixa n . Portanto, ao
realizar W e aplicar na inversa da FDA, obtém-se diretamente a realização da variável a ser
aplicada no modelo.
Para as distribuições normal e normal padrão, a FDA é calculada conforme apresentado
na seção 2.3.2. A inversa da FDA não possui expressão analítica. Para o presente trabalho, ela
será calculada por uma aproximação proposta por Beasley et al. (2003), apresentada na
equação (3.21):
Capítulo 4 – Simulação estatística 64
( )
( )( )
( )( )
( )
( )
8
0
1
8
0
1
1
32 1
0
32 2
0
log log 1 ,se 0,92
log log ,se 0,08
0,5
, casocontrário
1 0,5
n
n
n
n
n
n
n
n
n
n
c c w w
c c w w
F w
a w
b w
=
=
−
+
=
+
=
+ − −
− + − −
= − − −
(3.21)
sendo w a realização da variável aleatória W . As constantes do método encontram-se na
Tabela 4.2.
Tabela 4.2 - Constantes da aproximação da inversa da função de distribuição acumulada, proposta por
Beasley et al. (2003).
0a 2.50662823884 0c 0.3374754822726147
1a -18.61500062529 1c 0.9761690190917186
2a 41.39119773534 2c 0.1607979714918209
3a -25.44106049637 3c 0.0276438810333863
4c 0.0038405729373609
0b -8.47351093090 5c 0.0003951896511919
1b 23.08336743743 6c 0.0000321767881768
2b -21.06224101826 7c 0.0000002888167364
3b 3.13082909833 8c 0.0000003960315187
A amostragem por hipercubo latino, da mesma forma que os outros esquemas de
amostragem, visa entregar um conjunto de realizações das variáveis aleatórias, para serem
aplicadas no modelo determinístico numérico. Esse conjunto pode ser representado por:
1 1 1 1
2 2 2 2
1 0 0
2 0 0
0 0
. . .
. . .
. . .N N N N
p p
p p
N p p
P V
P V
P V
(3.22)
Cada linha da matriz é um conjunto de dados a ser inserido no modelo. Há N linhas,
uma para cada vez que o modelo será resolvido.
De posse de todos os valores numéricos obtidos nos passos acima, pode-se proceder à
simulação Monte Carlo propriamente dita.
Capítulo 4 – Simulação estatística 65
4.3 Simulação Monte Carlo
De maneira similar à Figura 2.8, o fluxograma ilustrado na Figura 4.2 descreve o
funcionamento do método Monte Carlo, considerando o modelo da equação (3.17) e as
amostras obtidas pela LHS: tendo selecionado o modelo e feito a amostragem das variáveis
pela LHS (1), inicia-se a simulação, utilizando o primeiro conjunto de amostras. O modelo é
resolvido por simulação numérica, como descrito no capítulo 3 (2), e o resultado, armazenado
(3). Aplica-se então o segundo conjunto de amostras. O modelo é resolvido novamente,
porém, com um novo conjunto de amostras, e armazena-se o resultado. Este processo se
repete um determinado número de vezes, igual a simulaçõesN (4), que é o número de faixas da
LHS. Ao final, aplica-se a estatística descritiva, para obter a média (equação (3.23)) e o
desvio padrão (equação (3.24)) do conjunto de resultados (5).
Figura 4.2 - Fluxograma do funcionamento do método Monte Carlo
Capítulo 4 – Simulação estatística 66
1
1 simulaçõesN
i
isimulações
P PN =
= (3.23)
( )2
1
1
1
simulaçõesN
P i
isimulações
P PN =
= −−
(3.24)
4.4 Síntese do Capítulo
No presente capítulo, foi apresentada a modelagem estatística do problema. Essa
modelagem consiste na adequação das variáveis do modelo matemático, e na aplicação do
Método Monte Carlo com amostragem por hipercubo latino. Ao unir os métodos apresentados
nesse capítulo com os do anterior, tem-se todo o ferramental necessário para desenvolver uma
simulação numérico-estatística, que será realizada no capítulo seguinte.
Capítulo 5 – Testes de verificação 67
5 TESTES DE VERIFICAÇÃO
No presente capítulo, são apresentados procedimentos preliminares, empregados para
verificar a funcionalidade dos diversos componentes de uma simulação Monte Carlo. Em
específico, a comparação entre as amostragens, os testes de malha, convergência e
normalidade. EQUATION SECTION (NEXT)
5.1 Comparação entre as amostragens
Conforme o estabelecido na seção 2.6, a amostragem por hipercubo latino é a mais
apropriada para aplicação em modelos matemáticos complexos. Pode-se avaliar o
desempenho de uma amostragem em relação à outra analisando métricas como o gasto
computacional e o número de repetições requerido, entre outros. Utilizando modelos
matemáticos mais simples, por conveniência, foram comparadas as três amostragens
mencionadas na seção 2.6.
Foram utilizados dois modelos matemáticos para essa comparação: a equação da queda
de pressão para um fluido newtoniano escoando em regime permanente em uma tubulação
(Equação (4.1)) e a equação de Colebrook ((Colebrook, 1939), Equação (4.2)). A primeira
equação foi escolhida pelo fato de conter uma maioria de termos lineares e ser de solução
direta e analítica. A equação de Colebrook foi escolhida visando avaliar um equacionamento
com termos não lineares, de solução numérica aproximada.
0 4
128 N LQP P
D
− = (4.1)
2,511
2log3,7
Ne D
f VD f
= − +
(4.2)
sendo 0P P− a queda de pressão, a viscosidade do fluido, L o comprimento da tubulação,
Q a vazão volumétrica imposta, D o diâmetro da tubulação, e a rugosidade do tubo, a
massa específica do fluido, V a velocidade do escoamento, e f o fator de atrito.
Para fins de comparação, o computador utilizado para as simulações do presente
trabalho é composto por um processador Intel Core i7-6700K 4GHz, 16 GB de memória
Capítulo 5 – Testes de verificação 68
RAM, 2 TB de armazenamento, sem placa de vídeo offboard dedicada, rodando o sistema
operacional Windows 10 Pro.
5.1.1 Queda de pressão em uma tubulação
A expressão apresentada pela Equação (4.1) diz respeito à queda de pressão em uma
tubulação horizontal. O escoamento é considerado em regime permanente, o fluido é
newtoniano e a vazão na entrada é constante. Nota-se que a equação possui quatro variáveis
independentes. A Tabela 5.1 apresenta os valores assumidos pelas variáveis, assim como as
suas respectivas incertezas. Esses valores correspondem, em ordem de grandeza, aos do
estudo de caso a ser apresentado na seção 6.1. A solução direta dessa equação resulta em
5
0 4 10 127323,95P P − = Pa, e a incerteza, calculada pela Lei da Propagação de
Incertezas (equação (2.15)), resulta em 0
42 19 10 5 5549,92P P − = Pa, que é
aproximadamente 4.3% da diferença de pressão.
Tabela 5.1 - Valores numéricos empregados na comparação entre as amostragens, para a equação da
queda de pressão.
Variável Valor
numérico Incerteza
Incerteza percentual [%]
Unidade
Diâmetro ( D ) 2×10-1 2×10-3 1% [m]
Comprimento ( L ) 5×103 5×101 1% [m]
Viscosidade ( N ) 1×10-2 1×10-4 1% [Pa s]
Vazão ( Q ) 1×10-1 1×10-3 1% [m3/s]
Inicialmente, foi conduzida a simulação Monte Carlo utilizando a amostragem aleatória.
A Figura 5.1 apresenta a diferença percentual entre a queda de pressão obtida pelo MCM e a
queda de pressão teórica (127323,95 Pa) em função do número de repetições. É apresentada
também a diferença percentual entre o desvio padrão obtido pelo MCM e o desvio dado pela
lei da propagação de incertezas (5549,92 Pa).
Na mesma figura, são apresentados os resultados do teste de normalidade da
distribuição obtida pelo MCM, também em função do número de repetições. Esses resultados
são dados na forma do valor da estatística KSD obtida e do valor de críticoD . Conforme
Capítulo 5 – Testes de verificação 69
apresentado na seção 2.3.4, se KS críticoD D , a distribuição de dados pode ser adequadamente
ajustada à uma normal. Caso contrário, não é razoável ajustar os dados a uma normal.
É possível notar que conforme aumenta o número de repetições, a diferença percentual
tende a reduzir, tanto no caso da queda de pressão média quanto do seu desvio. Analisando o
resultado do teste de normalidade, nota-se que em 1000 repetições a distribuição já pode ser
ajustada à uma normal, i.e., a condição de normalidade é atingida. Para efeito de comparação,
as diferenças percentuais da queda de pressão média e do desvio atingem valor inferior a 1%
em 5000 repetições. Para esse caso, o tempo computacional requerido foi de 0,31 s.
Figura 5.1 - Diferença percentual e estatística D em função do número de repetições, para a equação da
queda de pressão com amostragem aleatória
Para números menores de repetições, ocorrem flutuações significativas na diferença
percentual. Esse é um indicativo da aleatoriedade imposta, a qual é bastante visível para
números de repetições menores, tendendo a zero conforme o número de repetições aumenta.
A Figura 5.2 apresenta o mesmo resultado das diferenças percentuais e teste de
normalidade em função do número de repetições, porém, utilizando a amostragem
Capítulo 5 – Testes de verificação 70
estratificada. O número de repetições para essa amostragem é dependente do número de
faixas, conforme explicado na seção 2.6. Assim, os números de faixas avaliados e o
correspondente número de simulações são apresentados na Tabela 5.2.
Tabela 5.2 - Número de repetições em função do número de faixas, para a amostragem estratificada
Número de faixas [-] Número de repetições [-]
3 81 5 625
10 10.000
15 50.625 20 160.000
Figura 5.2 - Diferenças percentuais e estatística D em função do número de repetições, para a equação da
queda de pressão com amostragem estratificada
Analisando a Figura 5.2, e comparando-a com a Figura 5.1, nota-se que a condição de
normalidade é atingida em 625 repetições, em enquanto a outra precisou de 1000 repetições.
No entanto, a diferença percentual somente passa a ser inferior a 1% em 10.000 repetições,
um aumento considerável. O tempo computacional para esse caso (10.000 repetições) foi de
0,47 s.
Capítulo 5 – Testes de verificação 71
Similar ao apresentado anteriormente, a Figura 5.3 traz a diferença percentual da queda
de pressão e o teste de normalidade em função do número de faixas, para o caso da
amostragem por hipercubo latino. Para essa amostragem, o número de faixas é simplesmente
igual ao número de repetições, conforme exposto na seção 2.6
Figura 5.3 - Diferenças percentuais e estatística D em função do número de repetições, para a equação da
queda de pressão com amostragem por hipercubo latino
Assim como nos dois casos anteriores, para números de repetições menores, as
diferenças percentuais são bastante elevadas, tendendo a zero conforme esse número aumenta.
Para 100 repetições, ambas as diferenças percentuais assumem valores inferiores a 1%, com a
normalidade sendo também atingida para esse mesmo valor de número de repetições. O
tempo computacional para esse caso foi de 0,03 s.
Avaliando as três amostragens, é notório o quão melhor é a amostragem por hipercubo
latino. O número de repetições necessário foi bem menor, e o tempo computacional também
foi consideravelmente inferior.
Capítulo 5 – Testes de verificação 72
5.1.2 Equação de Colebrook
Visando avaliar uma equação de complexidade matemática e numérica maior, foi
aplicada a mesma análise para a equação do fator de atrito de Colebrook (Colebrook, 1939). A
equação somente possui solução numérica aproximada, definindo o fator de atrito como
função de cinco variáveis: a rugosidade relativa, a viscosidade (o fluido é considerado
newtoniano), a massa específica, a velocidade média do escoamento e o diâmetro da
tubulação.
A Tabela 5.3 traz os valores assumidos por cada uma das variáveis, assim como os
valores das respectivas incertezas. Todas as variáveis (exceto a rugosidade) receberam valores
unitários, e a incerteza foi definida como 1% do valor nominal. A solução numérica teve
como critério de parada uma diferença inferior à 1010− entre a iteração atual e a anterior.
Nessas condições, o valor do fator de atrito até a quarta casa decimal foi 23, 4628f = e a
incerteza calculada pela lei da propagação das incertezas foi de 0,7126f = , que é cerca de
3% do valor do fator de atrito.
Tabela 5.3 - Valores numéricos empregados na comparação entre as amostragens, para a equação de
Colebrook
Variável Valor
Numérico Incerteza
Incerteza
percentual [%]
Unidade
Rugosidade relativa ( e ) 1×10-2 1×10-4 1% [-]
Viscosidade ( N ) 1×100 1×10-2 1% [Pa s]
Massa específica ( ) 1×100 1×10-2 1% [kg / m3]
Velocidade (V ) 1×100 1×10-2 1% [m / s]
Diâmetro ( D ) 1×100 1×10-2 1% [m]
Assim como foi feito na equação da queda de pressão, inicialmente foi aplicado o
método Monte Carlo com amostragem aleatória. A Figura 5.4 apresenta a diferença
percentual na média e no desvio, além dos resultados do teste de normalidade, em função do
número de repetições.
Assim como nos casos anteriores, foram observados valores mais altos de diferença
percentual para os números de repetições menores. Isso foi notado especificamente na
diferença percentual do desvio, enquanto que na diferença da média os valores mantiveram-se
sempre abaixo de 1%. A normalidade foi atingida em 1000 repetições, enquanto que a
Capítulo 5 – Testes de verificação 73
diferença percentual no desvio somente atingiu valores menores que 1 % a partir de 5000
repetições. Para o caso com 5.000 repetições, o tempo computacional foi de 0,33 s.
Figura 5.4 - Diferenças percentuais e estatística D em função do número de repetições, para a equação de
Colebrook com amostragem aleatória
A Figura 5.5 apresenta os resultados das diferenças percentuais e teste de normalidade
para a equação de Colebrook com amostragem estratificada. O número de faixas foi variado
entre 2 e 10. Quantias maiores foram inviáveis de se utilizar devido a limitações
computacionais. A Tabela 5.4 mostra o número de repetições obtido em função do número de
faixas.
Tabela 5.4 - Número de repetições em função do número de faixas
Número de faixas [-] Número de repetições [-]
2 32 3 243
4 1.024
5 3.125
8 32.768 10 100.000
Capítulo 5 – Testes de verificação 74
Figura 5.5 - Diferenças percentuais e estatística D em função do número de repetições, para a equação de
Colebrook com amostragem estratificada
É possível notar na Figura 5.5 o efeito da estratificação das variáveis. As diferenças
percentuais diminuíram consideravelmente. Para o desvio, o máximo valor obtido foi 3,8%,
enquanto que para a média, foi 0,06 %. A normalidade foi atingida em 1024 repetições, mais
do que na amostragem aleatória. O tempo computacional requerido para esse caso foi de
0.05 s.
Por fim, são apresentados os resultados das diferenças percentuais e teste de
normalidade para a amostragem por hipercubo latino na Figura 5.6. O número de repetições
foi variado entre 5 e 100.000.
Para o menor número de repetições, as flutuações na diferença percentual do desvio
voltam a aparecer. Em 500 repetições, já é atingida a normalidade e diferenças percentuais
menores que 1%, com um tempo computacional de 0,08 s. Esse número de repetições é maior
que o obtido para a equação da queda de pressão (100 repetições). No entanto, isso é o
esperado, uma vez que a equação de Colebrook é mais complexa, necessitando um maior
número de amostras para mitigar os efeitos da aleatoriedade. A diferença percentual da média
mantém-se abaixo de 1% em todos os casos avaliados.
Capítulo 5 – Testes de verificação 75
Figura 5.6 - Diferenças percentuais e estatística D em função do número de repetições, para a equação de
Colebrook com amostragem por hipercubo latino
Em termos do número de repetições, fica evidente que a amostragem por hipercubo
latino é a melhor. Entretanto, analisando o tempo computacional, a amostragem estratificada
requereu menos da metade do tempo que a LHS utilizou. Essa constatação deve ser
interpretada com cautela, uma vez que os tempos computacionais requeridos pelo modelo
matemático (nesse caso, a equação de Colebrook) é muito menor que o requerido pela
amostragem. Modelos reais de engenharia, envolvendo equações diferenciais que empregam
soluções numéricas iterativas de convergência lenta e funções transcendentais mais
complexas, costumam demandar tempos computacionais bastante elevados. Para esses casos,
ao implementar uma simulação Monte Carlo, deve-se visar um menor número de repetições
possível. Assim, a amostragem por hipercubo latino se sobressai sobre as demais estratégias
de amostragem.
Capítulo 5 – Testes de verificação 76
5.2 Teste de malha
Em simulação numérica, existe um compromisso entre o refinamento de malha e o
esforço computacional requerido. Malhas grosseiras podem não ser capazes de permitir a
representação fiel do modelo matemático, causando divergências nos resultados finais. No
entanto, malhas demasiadamente finas tornam a execução demorada (Fortuna, 2012). Dessa
forma, faz-se necessário avaliar qual o tamanho de malha suficiente para uma simulação
numérica eficiente.
Para isso, são utilizados testes de malha. Seu objetivo é determinar qual o maior
elemento da malha capaz de gerar resultados suficientemente próximos de uma solução exata,
ou na ausência desta, determinar o maior elemento de malha em que já ocorre a convergência
assintótica do resultado (Hutton, 2004).
No Apêndice A, são apresentados os resultados do teste de malha. Pode ser antecipado
nesse capítulo que o número de elementos selecionado foi 320.
5.3 Teste de convergência
Passando para a parte estatística do problema, é necessário fazer uso de um
procedimento similar ao teste de malha para a LHS. Esse procedimento visa identificar o
número de faixas (i. e. o número de repetições) necessário para que a média, e principalmente
o desvio padrão, possam convergir (Owen, 1992).
A Figura 5.7 apresenta os resultados do teste de convergência, em função do número de
faixas. O menor valor de número de faixas empregado foi 10. A partir deste, cada nova
simulação teve o número de faixas dobrado, até atingir o número de faixas de 2560. O critério
empregado foi: avaliar os valores médio e incertezas da pressão de pico via simulação Monte
Carlo e utilizar o número de faixas cuja variação percentual desse valor em relação ao da
simulação anterior fosse inferior a 1%. O número de faixas determinado pelo teste foi 640.
Pelo teste de Kolmogorov-Smirnov, a normalidade foi atingida em 160 faixas, no entanto, a
diferença percentual no desvio só passou a assumir valores abaixo de 1% em 640 faixas.
Capítulo 5 – Testes de verificação 77
Figura 5.7 - Diferença percentual e estatísticas D de Kolmogorov, em função do número de
faixas/repetições
5.4 Síntese do capítulo
No presente capítulo, foram apresentados os diversos testes desenvolvidos, visando
obter valores razoáveis de parâmetros da simulação numérico-estatística (como tamanho de
malha e número de faixas), além de apresentar o funcionamento de componentes importantes
da simulação Monte Carlo, como as estratégias de amostragem. Com essas informações em
mãos, será possível executar as simulações que irão compor o conjunto de resultados
principais desse trabalho, a serem apresentados no capítulo seguinte.
Capítulo 6 – Resultados 78
6 RESULTADOS
6.1 Descrição do estudo de caso
O estudo de caso realizado nesse trabalho compreende um cenário de manobra de
coluna de perfuração dentro do poço, em um movimento descendente. Conforme o exposto na
seção 2.1, quando a coluna de perfuração se movimenta para baixo dentro do poço, a pressão
no fundo aumenta devido à compressão do fluido. O fluido, então, tende a se deslocar tanto
pelo espaço anular quanto retornar pela coluna.
6.1.1 Geometria do problema
Com relação à geometria do sistema poço - aparato de perfuração, foi recebido da
Petrobras uma listagem de equipamentos presentes no poço, informando todas as suas cotas
de diâmetro e comprimento. Por meio de uma média ponderada, é possível definir uma única
seção de coluna e uma de anular. Assim, o comprimento das seções é 5.700 m, sendo o
diâmetro nominal da coluna igual a 117 mm, o diâmetro interno do anular igual a 144 mm e o
diâmetro externo do anular igual 378 mm. A Figura 6.1 ilustra a geometria do problema.
Figura 6.1 - Geometria empregada no estudo de caso
Capítulo 6 – Resultados 79
6.1.2 Fluido de perfuração
Junto às informações do poço, foram recebidos também os dados do fluido de
perfuração. A Tabela 6.1 traz a caracterização reológica do material, por meio das leituras do
viscosímetro FANN 35A. O viscosímetro é um dispositivo que impõe uma rotação na amostra
(associada à taxa de deformação), causando uma deflexão em uma mola, a qual pode ser
associada às tensões de cisalhamento no material.
A partir dos valores da Tabela 6.1, é possível calcular os parâmetros do modelo de
Bingham por meio de um ajuste linear simples, pelo método dos mínimos quadrados. Através
do ajuste realizado diretamente no software WPS, os parâmetros ajustados foram:
0 = 6,78 Pa e p = 2,26×10-2 Pa.s.
Tabela 6.1 - Leituras do viscosímetro FANN, conforme fornecido pala Petrobras.
Rotação [rpm] Taxa de deformação
equivalente [s-1] Leitura [°]
Tensão de cisalhamento
equivalente [Pa]
600 1.021,8 57 29,1
300 510,9 38 19,4
200 340,6 30 15,3 100 170,3 21 10,7
6 10,2 13 6,6
3 5,1 12 6,1
A massa específica do fluido foi especificada em 1.186,28 kg/m3. Esse valor diz
respeito a um fluido de composição: 33% água, 55% olefina e 12% sólidos. A
compressibilidade do fluido é duas vezes a compressibilidade isotérmica da água em
condições atmosféricas, obtendo-se então um valor de = 8,3×10-10 Pa-1.
6.1.3 Condições de operação
Visando simplificar o estudo de caso, foi estabelecido uma velocidade e deslocamento
de coluna constante para toda a simulação. Isso implica em uma hipótese de aceleração
infinita da coluna no tempo inicial. Foi empregado um valor habitual para a velocidade da
coluna: 0,4 m/s.
Para reproduzir as condições da manobra de descida de coluna, adota-se como condição
inicial: vazão de bombeio nula na coluna ( )0, 0Q t z= = e pressão atmosférica na
Capítulo 6 – Resultados 80
extremidade aberta do anular ( )0, T atmP t z L P= = = . Como condições de contorno, tem-se
pressão atmosférica na saída do anular ( ), T atmP t z L P= = . No fundo do poço, em
z = 5.700 m, há o acoplamento de pressão e vazão entre coluna e anular.
6.1.4 Variáveis que possuem incertezas
Para o presente estudo de caso, serão inseridas incertezas em todas as variáveis do
modelo matemático que possuem sentido físico, excetuando algumas em que já se sabe de
antemão que possuem incertezas desprezíveis. As exceções serão os comprimentos e a
compressibilidade.
Assim, as variáveis que serão consideradas com incertezas são:
• Diâmetro nominal da coluna;
• Diâmetro interno do anular;
• Diâmetro externo do anular;
• Massa específica do fluido;
• Tensão limite de escoamento do fluido;
• Viscosidade plástica do fluido;
• Velocidade da coluna.
6.2 Avaliação da variação de pressão
Para diversas aplicações em construção de poços, a variação de pressão (pressão em
uma posição subtraída da pressão hidrostática) é mais relevante, em detrimento da pressão
total. Essas aplicações envolvem principalmente o comando de válvulas presente no fundo do
poço e o envio de sinais dessa região para a superfície.
A posição de interesse, onde será calculada a pressão ao longo do tempo para todas as
simulações, será o fundo do poço (z = 5.700 m). Nessa região ocorrem as maiores magnitudes
da pressão, tanto total quanto de variação, sendo, portanto, uma localização mais crítica
durante o processo de perfuração.
Capítulo 6 – Resultados 81
6.2.1 Simulação sem avaliação de incertezas
A Figura 6.2 apresenta a evolução da variação de pressão, sem aplicar incertezas nas
variáveis, ou seja, utilizando os valores nominais apresentados na seção anterior. O tempo
máximo simulado foi t = 400 s. Pode-se identificar na figura três regiões: a região 1, que
corresponde ao trecho entre t = 0 s e t = 20 s, a região 2, que engloba o trecho entre t = 20 s e
t = 200 s e a região 3, que vai de t = 200 s até o tempo máximo simulado.
É possível notar na região 1 um aumento quase linear da pressão. Isso se deve à
compressão do fluido pelo movimento súbito de descida da coluna. Na região 2, é possível ver
oscilações de pressão. O primeiro, em t = 20 s deve-se à quebra da estrutura gelificada do
fluido, enquanto os demais representam a propagação e as reflexões da onda de pressão dentro
da geometria. Devido ao atrito viscoso, ocorre dissipação de energia e a amplitude dos picos
vai diminuindo, até atingir a região 3, onde pode-se constatar a estabilização da pressão em
um valor fixo, indicando que o regime permanente foi atingido.
Figura 6.2 - Evolução temporal da pressão no fundo do poço para simulação de movimentação de coluna
desconsiderando as incertezas
Capítulo 6 – Resultados 82
6.2.2 Simulação com avaliação de incertezas
O passo seguinte é agregar as incertezas à simulação. As variáveis consideradas com
incertezas são listadas na seção 6.1.4. De modo a facilitar a aplicação nos testes de
sensibilidade, foi considerado um valor de incerteza como 1% do valor nominal da variável
correspondente. Nesse momento, todas as variáveis (diâmetros da coluna e anular, massa
específica do fluido, tensão limite de escoamento, viscosidade plástica e velocidade da
coluna) possuem incertezas. A Figura 6.3 apresenta as evoluções temporais da variação de
pressão média (obtida pelo método Monte Carlo), pressão média mais incerteza e pressão
média menos a incerteza. Para efeito de comparação, é plotada a evolução da pressão sem
considerar incertezas. A incerteza do resultado é apresentada como sendo 1 desvio padrão, o
que corresponde a uma confiabilidade de 68,27%.
Percebe-se que a curva da pressão média representou de forma bastante fiel a curva
oriunda da solução numérica sem incertezas. É interessante notar também que as curvas de
pressão média mais incerteza e pressão média menos incerteza têm o formato similar à da
pressão média, apesar de que a incerteza varia em magnitude ao longo do tempo e o problema
é fortemente não-linear.
Figura 6.3 - Evolução temporal da pressão no fundo do poço ao longo do tempo para simulação de
movimentação de coluna, considerando incertezas em todas as variáveis
Capítulo 6 – Resultados 83
Dando um viés mais qualitativo à análise, define-se a incerteza relativa:
( )
( )
, 5700100
* , 5700
P
rel
t z m
P t z m
= =
= (4.3)
sendo ( ), 5700P t z m = a incerteza na pressão do fundo do poço em um determinado instante
de tempo, e ( )* , 5700P t z m= sua variação de pressão correspondente.
A Figura 6.4 apresenta a evolução da incerteza relativa, considerando incertezas em
todas as variáveis mencionadas na seção 6.1.4.
Figura 6.4 - Evolução temporal da incerteza relativa da pressão no fundo do poço ao longo do tempo para
simulação de movimentação de coluna , considerando incertezas em todas as variáveis
Em uma primeira análise, nota-se que a incerteza relativa assume valores, em média,
superiores a 2%. A incerteza das entradas foi 1%, portanto, pode-se perceber os efeitos da
propagação de incertezas por parte dos cálculos matemáticos. Nota-se também que as maiores
magnitudes de incerteza relativa ocorrem na etapa transiente da curva. Essa constatação é
Capítulo 6 – Resultados 84
deveras importante, ao inferir que os valores mais críticos de pressão e incerteza só podem ser
obtidos via simulação transiente, tornando obsoletos os modelos que ignoram influências
temporais, no que diz respeito à confiabilidade e segurança do processo de perfuração.
6.2.3 Análise de sensibilidade
De modo a tentar identificar quais variáveis contribuem mais com a composição da
incerteza, foi realizada a análise de sensibilidade.
Foi executado um conjunto de dez simulações, incluindo ou não incertezas nas
variáveis. A Tabela 6.2 apresenta a configuração dos testes: o teste 1 conta com 1% de
incertezas em todas as variáveis. Para o teste 2, somente há incertezas nas variáveis referentes
à geometria (os três diâmetros). De forma similar, o teste 3 somente considera incertezas nas
variáveis referentes ao fluido (massa específica, tensão limite de escoamento e viscosidade
plástica). Por fim, para os testes de 4 a 10, somente haverá incertezas em uma variável de
cada vez.
Tabela 6.2 - Relação de simulações executadas
d iD eD 0 P PV
Teste 1 1 % 1 % 1 % 1 % 1 % 1 % 1 %
Teste 2 1 % 1 % 1 % - - - -
Teste 3 - - - 1 % 1 % 1 % -
Teste 4 1 % - - - - - -
Teste 5 - 1 % - - - - -
Teste 6 - - 1 % - - - -
Teste 7 - - - 1 % - - -
Teste 8 - - - - 1 % - -
Teste 9 - - - - - 1 % -
Teste 10 - - - - - - 1 %
A Figura 6.5 apresenta a evolução da incerteza relativa obtida nos testes 1, 2, 3 e 10.
Dessa forma, pode-se avaliar de uma forma macro as influências da geometria, do fluido e das
condições de operação na composição das incertezas. Assim como na Figura 6.2, foi dividido
o gráfico em regiões: a região 1, que compreende o intervalo de t = 0 s até t = 20 s, e a região
2, que vai de t = 20 s até t = 200 s.
Capítulo 6 – Resultados 85
Figura 6.5 - Evolução temporal da incerteza relativa da variação de pressão no fundo do poço para
simulação de movimentação de coluna para os testes 1, 2, 3 e 10
Nota-se primeiramente os efeitos da propagação de incertezas: a partir de uma entrada
de 1% de incertezas em cada variável, no teste 1 obtém-se valores maiores do que o dobro em
incerteza relativa. Para os testes 1 e 2, no primeiro instante de tempo avaliado, há um valor de
incerteza relativa sensivelmente maior que os demais. Essa discrepância é devido à influência
dos diâmetros, que possuem alta influência no volume da geometria, o que afeta diretamente a
compressão do fluido no fundo do poço.
Durante o período de tempo que define a região 1, observa-se comportamentos distintos
nas curvas. No teste 3 (incertezas somente nos parâmetros do fluido), a incerteza relativa fica
aproximadamente constante, enquanto que no teste 10 (incertezas somente na velocidade da
coluna) é decrescente.
O comportamento do teste 10 pode ser explicado pelo fato de que a velocidade da
coluna dá o caráter transiente para a simulação, tendo sua influência reduzida com o passar do
tempo. O comportamento constante do teste 3 se deve ao fato de que o material ainda não
começou a escoar, devido à inercia do fluido. As incertezas relativas mais altas no teste 2
endossam a influência das cotas geométricas na caracterização do escoamento. Dada a
Capítulo 6 – Resultados 86
profundidade do poço, pequenas alterações nos diâmetros causam grandes variações no
volume de fluido, consequentemente causando maiores variações na pressão.
Passando para a região 2, percebe-se inicialmente flutuações na incerteza relativa em
todas as curvas, as quais têm suas amplitudes reduzidas conforme aproxima-se do regime
permanente. Nota-se que o teste 2 reproduziu os picos de pressão da Figura 6.2. Analisando as
curvas como um todo, vê-se que as incertezas relativas no teste 10 possuem magnitude
bastante inferior ao do teste 3, que por sua vez, é sensivelmente inferior ao do teste 2. Alguns
dos picos de incerteza relativa do teste 3 ocorreram no mesmo tempo que os do teste 2.
A Figura 6.6 apresenta a evolução da incerteza relativa, para os testes 2, 4, 5 e 6.
Objetiva-se nesse momento analisar qual dos três diâmetros da geometria possui mais
influência sobre as incertezas. De maneira similar ao que foi feito na Figura 6.2, foi dividido o
domínio temporal do gráfico em duas regiões: a região 1, compreendendo o intervalo de
t = 0 s até t = 20 s e a região 2, que vai de t = 20 s até t = 200 s.
Figura 6.6 - Evolução temporal da incerteza relativa da variação de pressão no fundo do poço para
simulação de movimentação de coluna para os testes 2, 4, 5 e 6
Capítulo 6 – Resultados 87
Para todas as curvas, a incerteza no primeiro instante de tempo foi significativamente
maior que a do restante, sendo cerca de três vezes maior que a do regime permanente em
magnitude, como já visto na Figura 6.5. De um modo geral, a incerteza relativa foi maior para
os diâmetros maiores. No regime permanente, a incerteza relativa no teste 6 foi cerca de 2%,
no teste 5 foi cerca de 0,8% e no teste 4 foi aproximadamente 0,2%.
Na região 1, o teste 5 apresentou um comportamento com oscilações bastante leves, que
se torna praticamente linear tão logo atinge-se a região 2. Identifica-se também que a presença
dos picos na região 2 do teste 2 são devidas à influência do diâmetro externo do anular, como
evidenciado pela curva do teste 6. A curva do teste 4 apresenta um comportamento destoante
das demais, apresentando três picos maiores no intervalo de t = 0 s até t = 40 s, seguidos de
oscilações mais leves no valor da incerteza até atingir o regime permanente.
A Figura 6.7 apresenta a evolução da incerteza relativa, para os testes 3, 7, 8 e 9. Esses
testes dizem respeito ao fluido de perfuração, no que concerne às suas propriedades: massa
específica, tensão limite de escoamento e viscosidade plástica. O gráfico será novamente
dividido em regiões, cobrindo os mesmos intervalos de tempo que nos casos anteriores.
Figura 6.7 - Evolução temporal da incerteza relativa da variação de pressão no fundo do poço para
simulação de movimentação de coluna para os testes 3, 7, 8 e 9
Capítulo 6 – Resultados 88
A característica mais notável na Figura 6.7 é a predominância da tensão limite de
escoamento. Na região 2, as curvas do teste 3 e do teste 8 praticamente se sobrepõem,
apresentando mínimas discrepâncias em alguns trechos. As incertezas relativas da densidade e
da viscosidade plástica possuem magnitude significativamente inferior à da tensão limite de
escoamento.
O comportamento presenciado na região 1, por outro lado, não possui influência tão
majoritária da tensão limite de escoamento; nos segundos iniciais, há uma influência muito
maior da densidade. Entre t = 5 s e t = 10 s, a influência da incerteza da densidade cai,
enquanto a da tensão limite aumenta. Ainda na região 1, no instante de tempo correspondente
ao primeiro pico de pressão da Figura 6.7, a influência da densidade cai substancialmente,
enquanto a da tensão limite de escoamento aumenta. Essa mudança abrupta denota o início do
comportamento predominantemente viscoso do fluido, em detrimento do comportamento
inercial. Dentre os termos de propriedades do fluido, a tensão limite é o que possui maior
influência.
Um fato a ser notado em todos os resultados elencados no presente capítulo é que os
maiores valores de variação de pressão e de incerteza relativa ocorrem durante a etapa
transiente da simulação. Isso implica que análises permanentes (i.e. análises desconsiderando
a influência do tempo) são incapazes de identificar os valores mais críticos, tanto da variação
de pressão quanto de incertezas, sendo assim, inadequadas para objetivos de confiabilidade e
segurança.
6.3 Síntese do Capítulo
Nesse capítulo, foram apresentados o estudo de caso, a relação de simulações a ser
executadas e os resultados simulados. O problema transiente abordado foi o de descida de
coluna, presenciado em um cenário de movimentação do equipamento de perfuração. Sete
variáveis do modelo receberam incertezas: o diâmetro interno da coluna, os diâmetros interno
e externo do espaço anular, a massa específica, a tensão limite de escoamento, a viscosidade
plástica e a velocidade da coluna. Dentre elas, as que apresentaram maiores valores de
incerteza relativa foram o diâmetro externo do espaço anular e a tensão limite de escoamento.
Capítulo 6 – Resultados 89
De modo geral, foi identificado que as maiores pressões e as maiores amplitudes de incertezas
ocorrem durante a fase transiente da simulação.
Capítulo 7 - Considerações Finais 90
7 CONSIDERAÇÕES FINAIS
EQUATION SECTION (NEXT)
7.1 Conclusões
No presente trabalho, foi desenvolvido um procedimento de análise de incertezas em
simulações numéricas transientes visando representar operações de construção de poços de
petróleo. Essa análise é conduzida por meio do método Monte Carlo, com amostragem por
hipercubo latino. Esse método se mostrou bastante eficiente na quantificação de incertezas,
devido aos reduzidos números de repetições envolvidos, aos baixos tempos computacionais
requeridos e a flexibilidade para simulação de diferentes problemas.
Uma lacuna na literatura é preenchida por meio do presente trabalho. As principais
contribuições dizem respeito ao cálculo da pressão e da incerteza ao longo do tempo. O
modelo matemático empregado considera o escoamento no interior da coluna de perfuração e
no espaço anular formado pela coluna e a parede do poço. O fluido de perfuração é modelado
como um plástico de Bingham e os efeitos viscosos são computados por meio do fator de
atrito. Para o cálculo das incertezas, é aplicado o método Monte Carlo, aliado da estratégia de
amostragem por hipercubo latino, de modo a reduzir o número de repetições empregado. É
oportuno mencionar que foram desenvolvidos três artigos científicos, apresentados em
conferências da área. Isso denota a relevância do tema e seu potencial de aplicabilidade.
Objetivando testar o modelo matemático com o método Monte Carlo, foi desenvolvido
um estudo de caso baseado em dados de um poço real fornecidos pela Petrobras. O estudo de
caso foi um cenário de movimentação de coluna, sem circulação do fluido de perfuração.
Inicialmente, foram aplicados testes de malha na simulação do estudo de caso, sem considerar
incertezas. Depois, foram aplicados testes de convergência similares, visando obter o menor
número de repetições necessário para os valores de incerteza obtidos serem razoáveis. Foi
desenvolvida em seguida uma análise de sensibilidade, com o propósito de verificar quais
variáveis têm maior contribuição na composição das incertezas.
As principais conclusões das simulações foram:
Capítulo 7 - Considerações Finais 91
• O diâmetro externo do espaço anular (que representa o diâmetro do poço) possui
maior influência na composição das incertezas, seguido da tensão limite de
escoamento do fluido;
• Também foi verificado que a magnitude das pressões e das incertezas é mais
elevada durante a etapa transiente da simulação. Simulações que desconsideram
o efeito transiente são incapazes de prever tais valores mais elevados de pressão
e incertezas. Essa constatação reforça os objetivos e a razão de existência do
presente trabalho: propiciar confiabilidade às operações de perfuração de poços
de petróleo ao identificar condições mais críticas de processo.;
• Ao impor 1% de incerteza nas variáveis, obtém-se pouco mais de 2% de
incerteza no resultado. Isso é coerente com os conceitos de propagação de
incertezas.
7.2 Sugestões para trabalhos futuros
Sugere-se para trabalhos futuros:
• Avaliar outros estudos de casos: reinício de escoamento, transmissão de pressão,
movimentação de coluna com velocidade variável;
• Implementar o Método Monte Carlo no modelo bidimensional;
• Avaliar os efeitos da variação de temperatura.
Referências 92
REFERÊNCIAS
AHMADPOUR, A.; SADEGHY, K. Start-up flows of Dullaert-Mewis viscoplastic-
thixoelastic fluids: A two-dimensional analysis. Journal of Non-Newtonian Fluid
Mechanics, v. 214, p. 1–17, 2014.
ALVARENGA, A. V.; SILVA, C. E. R.; COSTA-FÉLIX, R. P. B. Monte Carlo uncertainty
assessment of ultrasonic beam parameters from immersion transducers used to non-
destructive testing. Ultrasonics, v. 69, p. 144–151, 2016.
ANDERSON, J. D. Modern Compressible Flows: a historical perspective. 2a ed. New
York, NY: McGraw-Hill, 1990.
ANDREAZZA, A. et al. Calcolo degli Integrali. Disponível em:
<http://labmaster.mi.infn.it/Laboratorio2/serale/l13/cnts.html>. Acesso em: 23 maio. 2019.
ARAÚJO, A.; SILVANO, S.; MARTINS, N. Monte Carlo uncertainty simulation of surface
emissivity at ambient temperature obtained by dual spectral infrared radiometry. Infrared
Physics and Technology, v. 67, p. 131–137, 2014.
BANEK, T. Chaos expansion for the solutions of stochastic differential equations. Systems &
Control Letters, v. 36, n. 5, p. 351–358, 1999.
BARBETTA, P. A.; REIS, M. M.; BORNIA, A. C. Estatística para Cursos de Engenharia
e Informática. 3a ed. São Paulo: Atlas, 2004.
BAUER, W. F. The Monte Carlo Method. SIAM Journal on Applied Mathematics, v. 6, n.
4, p. 438–451, 1958.
BEASLEY, J. D.; SPRINGER, S. G.; MORO, B. An algorithm for computing the inverse
normal cumulative distribution function. Disponível em:
<https://web.archive.org/web/20151030215612/http://home.online.no/~pjacklam/notes/invnor
m/>. Acesso em: 16 maio. 2019.
BECK, A. T. Curso de confiabilidade estrutural. São Carlos, SP: USP - São Carlos, 2014.
BERTSEKAS, D. P.; TSITSIKLIS, J. N. Introduction to Probability. Cambridge, MA:
MIT, 2000.
Referências 93
BUSSAB, W. DE O.; MORETTIN, P. A. Estatística Básica. 6a ed. São Paulo: Saraiva, 2010.
CASTAÑEDA, L. B.; ARUNACHALAM, V.; DHARMARAJA, D. Introduction to
Probability and Stochastic Processes with Applications. 1a ed. Hoboken, NJ: Wiley, 2012.
CHANG, C.; NGUYEN, Q. D.; RØNNINGSEN, H. P. Isothermal start-up of pipeline
transporting waxy crude oil. Journal of Non-Newtonian Fluid Mechanics, v. 87, n. 2–3, p.
127–154, 1999.
CLARK, R. K.; FONTENOT, J. E. Field Measurements of the Effects of Drillstring
Velocity, Pump Speed, and Lost Circulation Material on Downhole Pressures49th
Annual Fall Meeting of the Society of Petroleum Engineers of AIME. Anais...Houston, TX:
AIME, 1974
COLEBROOK, C. F. Correspondence. Turbulent Flow in Pipes, With Particular Reference
To the Transition Region Between the Smooth and Rough Pipe Laws. (Includes Plates).
Journal of the Institution of Civil Engineers, v. 12, n. 8, p. 393–422, 1939.
CONSIDINE, D. B. et al. A Monte Carlo uncertainty analysis of ozone trend predictions in a
two-dimensional model. Journal of Geophysical Research, v. 104, n. D1, p. 1749–1766,
1999.
COOKE, A.; CHILDS, P.; LONG, C. Investigation Into the Effect of Uncertainty in
Thermal Properties on Turbomachinery Disc Heat Transfer Using Both a Monte Carlo
Simulation Technique and a Taylor Series Uncertainty Propagation MethodASME
Turbo Expo 2007: Power for Land, Sea and Air. Anais...Montreal, Canada: 2009
CUNHA, A. et al. Uncertainty quantification through the Monte Carlo method in a cloud
computing setting. Computer Physics Communications, v. 185, n. 5, p. 1355–1363, 2014.
DAVIDSON, M. R. et al. A model for restart of a pipeline with compressible gelled waxy
crude oil. Journal of Non-Newtonian Fluid Mechanics, v. 123, n. 2–3, p. 269–280, 2004.
DECKER, K. M. The Monte Carlo method in science and engineering: Theory and
application. Computer Methods in Applied Mechanics and Engineering, v. 89, n. 1–3, p.
463–483, 1991.
DRILLING-COURSE. Bottom Hole Pressure Concept. Disponível em:
<http://www.drillingcourse.com/2017/08/bottom-hole-pressure-concept.html>. Acesso em: 23
Referências 94
abr. 2019.
FORTUNA, A. DE O. Técnicas Computacionais para Dinâmica dos Fluidos. São Paulo:
Editora da Universidade de São Paulo, 2012.
GARDNER, S.; SWAIN, M.; STRONG, P. F. A Simple, Reliable, and Fast Monte Carlo
Method for Estimating the Uncertainty in Any Computer-Calculated Quantity. Journal of
Chemical Information and Computer Sciences, v. 20, n. 1, p. 51–55, 1980.
GUIMARAES COUTO, P. R.; CARRETEIRO, J.; OLIVEIR, S. P. DE. Monte Carlo
Simulations Applied to Uncertainty in Measurement. In: Theory and Applications of Monte
Carlo Simulations. [s.l.] InTech, 2013. p. 27–51.
HORNE, K. et al. Monte Carlo uncertainty estimation for an oscillating-vessel viscosity
measurement. Metrologia, v. 49, n. 4, p. 577–582, 2012.
HULL, T. E.; DOBELL, A. R. Random Number Generation. SIAM Review, v. 4, n. 3, p.
230–254, 1962.
HURTADO, J. E.; BARBAT, A. H. Monte Carlo Techniques in Computational Stochastic
Mechanics. v. 5, n. October 1996, p. 3–29, 1998.
HUTTON, D. V. Fundamentals of finite element analysis. 1a ed. New York, NY: [s.n.].
IPQ; INMETRO. Vocabulário Internacional de Metrologia. 3a ed. Duque de Caxias, RJ:
INMETRO, 2012.
JAMES, B. R. Probabilidade: Um curso em nível intermediário. 3a ed. Rio de Janeiro:
IMPA, 2004.
JESSEN, R. J. . Square and Cubic Lattice Sampling. Biometrics, v. 31, n. 2, p. 449–471,
1975.
KALOS, M. H.; WHITLOCK, P. A. Monte Carlo Methods. 2a ed. Weinheim, Germany:
Wiley-VCH Verlag GmbH, 2008.
KENNEDY, M. C.; O’HAGAN, A. Bayesian calibration of computer models. Journal of the
Royal Statistical Society: Series B (Statistical Methodology), v. 63, n. 3, p. 425–464, 2001.
KING, G. W. Monte-Carlo Method for Solving Diffusion Problems. Industrial &
Engineering Chemistry, v. 43, n. 11, p. 2475–2478, 1951.
Referências 95
KOLMOGOROV, A. Sulla determinazione empirica di una legge di distributione. Giornalle
dell’ Istituto Italiano degli Attuari, v. 4, p. 83–91, 1933.
L’ECUYER, P. History of Uniform Random Number GenerationProceedings of the 2017
Winter Simulation Conference. Anais...2017Disponível em:
<https://dl.acm.org/citation.cfm?id=3242195>
LEHMER, D. H. Mathematical methods in large-scale computing unitsProceedings of a
Second Symposium on Large-Scale Digital Calculating Machinery. Anais...Cambridge, MA:
1949
LIN, S. H.; HSU, C. C. Generalized Couette Flow of a Non-Newtonian Fluid in Annuli.
Industrial and Engineering Chemistry Fundamentals, v. 19, n. 4, p. 421–424, 1980.
MANTEUFEL, R. D. Evaluating the Convergence of Latin Hypercube Sampling41st
AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference
and Exhibit. Anais...Atlanta, GA: 2000
MARSAGLIA, G.; TSANG, W. W.; WANG, J. Evaluating Kolmogorov’s Distibution.
Biochemical and Biophysical Research Communications, v. 296, n. 1, p. 62–66, 2002.
MARTÍNEZ, P. A. M. Análisis y métodos de emsambles. Disponível em:
<http://www.monografias.com/trabajos70/analisis-metodos-ensambles/analisis-metodos-
ensambles2.shtml>. Acesso em: 6 abr. 2019.
MATSUMOTO, M.; NISHIMURA, T. Mersenne Twister : A 623-dimensionally
equidistributed uniform pseudorandom number generator. Discrete Mathematics, v. 8, n. 1,
p. 3–30, 1998.
MCKAY, M. D. Latin Hypercube Sampling as a Tool in Uncertainty Analysis of
Computer models1992 Winter Simulation Conference. Anais...New York, NY: 1992
MCKAY, M. D.; BECKMAN, R. J.; CONOVER, W. J. Comparison of Three Methods for
Selecting Values of Input Variables in the Analysis of Output from a Computer Code.
Technometrics, v. 21, n. 2, p. 239–245, 1979.
MEASE, D.; BINGHAM, D. Latin Hyperrectangle Sampling for Computer Experiments.
Technometrics, v. 48, n. March 2013, p. 467–477, 2006.
Referências 96
MENDES, P. Física Experimental. 1a ed. Coimbra, Portugal: Universidade de Coimbra,
1998.
METROPOLIS, N.; ULAM, S. The Monte Carlo Method. Journal of the American
Statistical Association, v. 46, n. 247, p. 335–341, 1949.
MITISHITA, R. S. et al. Pressure transmission in yield stress fluids - An experimental
analysis. Journal of Non-Newtonian Fluid Mechanics, v. 261, n. April, p. 50–59, 2018.
MONTGOMERY, D. C. Design and Analysis of Experiments. New York, NY: John Wiley
& sons, 2001.
MOORE, G. E.; LONDERGAN, R. J. Sampled Monte Carlo uncertainty analysis for
photochemical grid models. Atmospheric Environment, v. 35, n. 28, p. 4829–4841, 2001.
MORAIS, J. M. DE. Petróleo em Águas Profundas - Uma história tecnológica da
PETROBRAS na exploração e produção offshore. 1a ed. Rio de Janeiro, RJ: Petrobras,
2013.
NEGRÃO, C. O. R.; FRANCO, A. T.; ROCHA, L. L. V. A weakly compressible flow model
for the restart of thixotropic drilling fluids. Journal of Non-Newtonian Fluid Mechanics, v.
166, n. 23–24, p. 1369–1381, 2011.
NEUMANN, J. VON. Various techniques used in connection with random digits. National
Bureau of Standards Applied Mathematics, v. 3, n. x, p. 36–38, 1951.
OAKLAND, J. S. Statistical process control. 5a ed. Burlington, Inglaterra: Butterworth-
Heinemann, 2003.
OLIVEIRA, G. M. DE et al. Reinício da circulação de fluidos de perfuração gelificados4o
PDPETRO. Anais...Campinas, SP: 2007
___. Numerical simulation of the start-up of Bingham fluid flows in pipelines. Journal of
Non-Newtonian Fluid Mechanics, v. 165, n. 19–20, p. 1114–1128, 2010.
___. Modelagem da propagação de pressão no reinício do escoamento de fluidos de
perfuração não gelificados. [s.l.] Dissertação de Mestrado, UTFPR, 130 p., 2011.
___. Modeling and validation of pressure propagation in drilling fluids pumped into a closed
well. Journal of Petroleum Science and Engineering, v. 103, p. 61–71, 2013.
Referências 97
OLIVEIRA, G. M. DE; NEGRÃO, C. O. R. The effect of compressibility on flow start-up of
waxy crude oils. Journal of Non-Newtonian Fluid Mechanics, v. 220, p. 137–147, 2015.
OLIVEIRA, G. M.; FRANCO, A. T.; NEGRÃO, C. O. R. Mathematical Model for
Viscoplastic Fluid Hammer. Journal of Fluids Engineering, v. 138, n. 1, p. 011301, 2015.
OLIVEIRA, G. M.; NEGRÃO, C. O. R.; FRANCO, A. T. Pressure transmission in Bingham
fluids compressed within a closed pipe. Journal of Non-Newtonian Fluid Mechanics, v.
169–170, p. 121–125, 2012.
OLIVEIRA, L. K. O que é o pré-sal. Disponível em:
<https://diariodopresal.wordpress.com/o-que-e-o-pre-sal/>. Acesso em: 13 maio. 2019.
OWEN, A. B. A Central Limit Theorem for Latin Hypercube Sampling. Journal of the
Royal Statistical Society. Series B (Methodological), v. 54, n. 2, p. 541–551, 1992.
PETROBRAS. Relatório de tecnologia PETROBRAS. Rio de Janeiro, RJ: [s.n.].
___. Relatório anual 2018. Rio de Janeiro, RJ: [s.n.].
PRESS, W. H. et al. Numerical recipes in Fortran 77. 2a ed. ed. Cambridge, UK: Press
Syndicate of the University of Cambridgee, 1992. v. 1
RAND. A Million Random Digits with 100,000 Normal Deviates. 1a ed. Santa Monica, CA:
RAND Corp., 1955.
ROCHA, L. L. V. DA. Modelagem do Reinício do Escoamento de Fluidos de Perfuração
em Tubulações. [s.l.] Trabalho de Conclusão de Curso, UTFPR, 96 p., 2007.
RUBINSTEIN, R. Y. Simulation and Monte-Carlo method. 2a ed. Hoboken, NJ: John
Wiley & sons, 1981.
SANTOS, K. R. M. DOS. Técnicas de amostragem inteligente em simulação de Monte
Carlo. [s.l.] Dissertação de Mestrado, USP, 193 p., 2014.
SANTOS, O. L. A. Segurança de Poços em Lâminas de Água UltraprofundasENAHPE
2006 – Encontro Nacional de Hidráulica de Perfuração e Completação de Poços de Petróleo e
Gás. Anais...Domingos Martins, ES: 2006
SANTOS, T. G. M. Análise e modelagem do escoamento transitório de fluidos de
perfuração. [s.l.] Dissertação de Mestrado, UTFPR, 2015.
Referências 98
SCHLUMBERGER. Schlumberger Excellence in Educational Development - Mud Cycle.
Disponível em: <http://www.seed.slb.com>. Acesso em: 30 abr. 2019.
SCHUTZ, D. C. Comparação entre algoritmos geradores das Distribuições Normal ,
Qui-Quadrado , F de Snedecor e t de Student através de simulação. [s.l.] Trabalho de
Conclusão de Curso, UFRGS, 2012.
SESTAK, J. et al. Start-up of gelled crude oil pipelines. Journal of Pipelines, v. 6, n. 1, p.
15–24, 1987.
SHADE, W. D.; JAYJOCK, M. A. Monte Carlo uncertainty analysis of a diffusion model for
the assessment of halogen gas exposure during dosing of brominators. American Industrial
Hygiene Association Journal, v. 58, n. 6, p. 418–424, 1997.
SILVA, H. S. DA; SANTOS, T. G. M. DOS; NEGRÃO, C. O. R. Uncertainty Analysis of
Transient Problems Using Monte Carlo Method17th Brazilian Congress of Thermal
Sciences and Engineering. Anais...Águas de Lindóia, SP, Brasil: 2018
SOBOL, I. M. A Primer for the Monte Carlo Method. 4a ed. ed. Boca Raton, FL: CRC
Press, 1994.
STEINBERG, H. A. Generalized Quota Sampling. Nuclear Science and Engineering, v. 15,
p. 142–145, 1963.
TANG, M. et al. Simplified surge pressure model for yield power law fluid in eccentric
annuli. Journal of Petroleum Science and Engineering, v. 145, p. 346–356, 2016.
THOMAS, J. E. et al. Fundamentos de Engenharia de Petróleo. 2a ed. Rio de Janeiro:
Editora Interciência, 2001.
THOMPSON, K. M.; BURMASTER, D. E.; CROUCH, E. A. C. Monte carlo techniques for
quantitative uncertainty analysis in public health risk assessment. Risk Analysis, v. 12, n. 1,
p. 53–63, 1992.
TRIOLA, M. Elementary Statistics. 11a ed. ed. Boston, MA: Pearson, 2017.
VINAY, G.; WACHS, A.; AGASSANT, J. F. Numerical simulation of weakly compressible
Bingham flows: The restart of pipeline flows of waxy crude oils. Journal of Non-Newtonian
Fluid Mechanics, v. 136, n. 2–3, p. 93–105, 2006.
Referências 99
VOTAW-JR, D. F.; RAFFERTY, J. A. High Speed Sampling. Mathematical Tables and
Other Aids to Computation, v. 5, n. 33, p. 153–173, 1951.
WACHS, A.; VINAY, G.; FRIGAARD, I. A 1.5D numerical model for the start up of weakly
compressible flow of a viscoplastic and thixotropic fluid in pipelines. Journal of Non-
Newtonian Fluid Mechanics, v. 159, n. 1–3, p. 81–94, 2009.
WYLIE, E. B.; STREETER, V. L.; SUO, L. Fluid transients in systems. Englewood Cliffs,
NJ: Prentice Hall, 1993.
XIAO, X. X.; CAI, Z. Quantification of uncertainty and training of fuzzy logic systems.
IEEE International Conference on Intelligent Processing Systems, n. 2, p. 312–316, 1997.
YANG, L.; CHUKWU, G. A. Couette Flow of Non-Newtonian Power-Law Fluids in Narrow
Eccentric Annuli. Industrial and Engineering Chemistry Research, v. 34, n. 3, p. 936–942,
1995.
ZHANG, S. et al. Concurrent treatment of parametric uncertainty and metamodeling
uncertainty in robust design. Structural and Multidisciplinary Optimization, v. 47, n. 1, p.
63–76, 2013.
Apêndice A – Testes de malha 100
APENDICE A – TESTES DE MALHA
Na Figura A.1 são encontrados os resultados do teste de malha para o estudo de caso
apresentado na seção 6.1. O critério adotado foi: avaliar a pressão de pico e utilizar a malha
cuja variação percentual dessa pressão em relação ao valor anterior fosse inferior a 0.1%.
Iniciou-se aplicando a malha de 10 elementos, dobrando esse número em cada simulação
seguinte, até a malha de 1280 elementos. A malha selecionada foi a de 320 elementos axiais.
Figura A.1 - Variação percentual entre o valor do pico de pressão em duas malhas consecutivas, em
função do número de elementos
A Figura A.2 apresenta a pressão absoluta ao longo do tempo, para cinco malhas,
variando o número de elementos entre 80 e 1280. Pode-se notar nas malhas de 80 e 160
elementos a presença de variações de pressão proeminentes, que não condizem com o
esperado do fenômeno físico. Em específico, na região das curvas antes do pico, espera-se que
o comportamento seja linear. Além disso, o tempo em que ocorre o pico para a malha de 80
elementos está visivelmente deslocado em comparação com os demais.
Apêndice A – Testes de malha 101
Figura A.2 - Pressão ao longo do tempo, para cinco malhas diferentes
Apêndice B – Artigos Desenvolvidos 102
APÊNDICE B – ARTIGOS DESENVOLVIDOS
Nas páginas seguintes, encontram-se as primeiras páginas dos artigos publicados acerca
do tema do presente trabalho:
• Uncertainty Analysis of Transient Problems Using Monte Carlo Method – 17º
ENCIT – Brazilian Congress of Thermal Sciences and Engineering – 25 a 28 de
Novembro de 2018 – Águas de Lindóia / SP;
• Uncertainty analysis in well hydraulics transient problems using Monte Carlo
Method – 8º ENAHPE – Encontro Nacional de Construção de Poços de Petróleo
e Gás – 19 a 22 de Agosto de 2019 – Serra Negra / SP.
O artigo seguinte será apresentado e publicado em Março de 2020:
• Probabilistic analysis of loss of primary safety barrier during drilling operations
– 25º LACPEC – Latin American and Caribbean Petroleum Engineering
Conference – 17 a 19 de Março de 2020 – Bogotá / Colômbia;
Apêndice B – Artigos Desenvolvidos 103
Apêndice B – Artigos Desenvolvidos 104
Apêndice B – Artigos Desenvolvidos 105